[论文解读] Robust and Real Time Detection of Curvy Lanes (Curves) with Desired Slopes for Driving Assistance and Autonomous Vehicles

Amartansh Dubey, Kishor M. Bhurchandi|arXiv (Cornell University)|Jan 13, 2015

Autonomous Vehicle Technology and Safety参考文献 7被引用 6

一句话总结

本文提出了一种新颖的实时算法，可在复杂、嘈杂且恶劣的驾驶条件下，鲁棒地检测具有特定斜率的弯曲车道线。该方法结合边缘检测、类似霍夫变换的曲线参数投票机制以及光照/阴影校正技术，即使在传统计算机视觉库（如OpenCV）对弯曲、不连续或低对比度车道线失效时，也能实现精确的车道线检测。

ABSTRACT

One of the biggest reasons for road accidents is curvy lanes and blind turns. Even one of the biggest hurdles for new autonomous vehicles is to detect curvy lanes, multiple lanes and lanes with a lot of discontinuity and noise. This paper presents very efficient and advanced algorithm for detecting curves having desired slopes (especially for detecting curvy lanes in real time) and detection of curves (lanes) with a lot of noise, discontinuity and disturbances. Overall aim is to develop robust method for this task which is applicable even in adverse conditions. Even in some of most famous and useful libraries like OpenCV and Matlab, there is no function available for detecting curves having desired slopes , shapes, discontinuities. Only few predefined shapes like circle, ellipse, etc, can be detected using presently available functions. Proposed algorithm can not only detect curves with discontinuity, noise, desired slope but also it can perform shadow and illumination correction and detect/ differentiate between different curves.

研究动机与目标

• 解决在实时场景下检测具有特定斜率的弯曲车道线的挑战，尤其是在存在噪声、不连续性及照明不良等恶劣条件下的问题。
• 克服现有计算机视觉库（如OpenCV和MATLAB）的局限性，这些库缺乏对具有特定斜率的任意曲线的本地图像支持。
• 开发一种对阴影、光照变化和车道线不连续性具有鲁棒性的方法，确保在真实驾驶场景中具备可靠的性能表现。
• 实现在单张图像中区分多条曲线（例如多条车道线）的能力，支持复杂车道线检测任务。
• 提供一种实用且高效的解决方案，适用于驾驶辅助系统和自动驾驶汽车的集成。

提出的方法

• 应用边缘检测从输入图像中提取类似车道的特征，重点关注对应于车道标线的高梯度区域。
• 采用改进的基于霍夫变换的投票机制，通过将曲线参数化为二次或更高阶多项式段，检测具有期望斜率的曲线。
• 在参数空间中引入斜率约束的搜索区域，优先识别符合预期车道方向的曲线。
• 集成光照与阴影校正技术，对图像中的强度变化进行归一化，提升检测的鲁棒性。
• 应用后处理操作对检测到的曲线段进行聚类与优化，确保其连续性与预期车道几何的一致性。
• 通过使用高效的数据结构和图像网格上的可并行化操作，对算法进行优化，以实现实时性能。

实验结果

研究问题

• RQ1 在存在高噪声、不连续性或阴影与光照变化影响的情况下，该实时算法是否仍能成功检测具有特定期望斜率的弯曲车道线？
• RQ2 与标准霍夫变换及OpenCV/MATLAB函数相比，该方法在检测非圆形、非椭圆曲线的车道线任务中表现如何？
• RQ3 在具有挑战性的视觉条件下，该算法在单张图像中区分多条车道线或曲线的能力有多强？
• RQ4 光照与阴影校正组件在不同光照条件下提升曲线检测精度方面的有效性如何？
• RQ5 该方法的计算效率如何？是否能满足自动驾驶系统对实时处理的要求？

主要发现

• 所提出的算法能够在高噪声和不连续性条件下，实时检测具有期望斜率的弯曲车道线，而传统方法在此类场景下会失效。
• 通过有效校正阴影和光照变化，该方法在恶劣照明条件下表现出鲁棒性能。
• 该算法能够区分场景中的多条曲线，实现在复杂道路环境中检测多条车道线或车道标记的能力。
• 在投票机制中引入斜率约束的参数空间，显著提升了检测精度并减少了误报。
• 与仅支持预定义形状（如圆形和椭圆）的OpenCV和MATLAB函数相比，该方法支持任意曲线检测，表现更优。
• 该系统计算效率高，适用于自动驾驶汽车和高级驾驶辅助系统（ADAS）的实时部署。