车道偏离预警系统研究综述＊

田傲霜，陈华清，陈学文

（1.辽宁工业大学 土木建筑工程学院，辽宁 锦州 121001；2.辽宁工业大学 汽车与交通工程学院，辽宁 锦州 121001）

1 前言

根据2018年国家三部委共同发布的《智能网联汽车道路测试管理规范（试行）》，智能网联汽车是以车、路、道路基础设施为基本节点和信息源，并融合现代通信与网络技术，具备复杂环境感知、智能决策、协同控制等功能，从而实现“车－人－道路－城市”的和谐统一。车道偏离预警系统是智能网联汽车实现自动驾驶的重要基础，性能可靠的车道偏离预警（LDW）与保持系统（LKP）可以有效避免与高速公路上侧向车道内行驶的车辆发生碰撞的可能性。利用视觉图像技术实施智能车辆前方车道线的实时检测是车道偏离预警与保持系统的核心技术，其检测方法与精度直接影响系统的可靠性。本文就车道线检测内容，详细分析其检测方法与国内外研究进展情况，并对预警系统的预警模型构建进行总结与分析，对其发展方向进行展望。

2 车道线检测系统

车道线检测的方法主要包括两类：一类是基于特征的车道线检测方法，另一类是基于模型的车道线检测方法。基于特征的检测法是利用图像边缘特征，如形状、纹理等检测车道线。基于模型的车道线检测法是对道路采用如直线、双曲线等模型，再结合如霍夫变换或随机一致采样法等得到模型参数，进而实现车道线的检测。

2.1 国内研究现状

郜瑞芹[1]重点研究了正常天气与大雾及雨雪等天气条件下弯曲道路的车道线检测方法。主要采用了 SVM 与AdaBoost算法解决特征空间的非线性问题与算法的加强学习能力等问题。最后，验证了上述天气条件下，针对左右弯道车道线采取不同控制算法的检测效果。

刘富强[2]提出一种基于三维道路模型的车道线检测算法，根据车道线颜色突变，检测车道线的边界，并使用卡尔曼滤波，实现车道线跟踪。该方法鲁棒性强，但是由于算法的复杂性，算法比较耗时。

景辉[3]设计了基于全局特征的车道线位置神经网络，实现了对整条车道线的粗定位。采用神经网络对车道线区域进行分块，得到局部车道线，设计了两种局部车道线重心检测算法，实现了车道线位置的精确修正。

2.2 国外研究现状

Li W[4]在文献中提出一个基于子区域的车道线检测预警系统。该方法首先对读取的图像提取出感兴趣区域，为了减少不必要的图像冗余处理，将感兴趣区域分成两个子区。采用Canny边缘检测算子获取图像中目标的边缘特征线，以车道线宽度为辅助条件并结合Hough变换方法提取车道线。然后对提取出来的车道线形状进行分类，若为曲线形状则利用三次B样条线型进行拟合处理；若为直线形状车道线，则通过获取的车道线的特征点进行直接拟合即可。

Gaikwad V[5]等提出了一种在道路上行驶的车辆不希望偏离车道的方法。采用分段线性拉伸函数来提高感兴趣区域的对比度。将感兴趣区域划分为两个子区域，分别对每个子区域进行霍夫变换，实现道路上的车道标记检测。对于车道偏离的识别，主要采用基于欧氏距离变换法对车道偏离测度进行估计。该项技术的误报警率为3%左右。

Lee S[6]等提出了一个统一的端到端可训练的多任务网络。该网络在恶劣天气条件下，通过一个消失点引导，共同处理车道和道路标记的检测和识别。建立了无雨天气、雨天、大雨及夜间等四种不同场景下17个车道和道路标记类，训练和评估了多任务网络，并验证了每个任务的重要性。

3 车道预警模型

车道预警模型一般分为四类：基于当前位置的预警模型（CCP模型）；基于将来偏离量的预警模型（FOD模型）；基于车辆将横越车道边界时间的预警模型（TLC模型）；基于道路场景感知的预警模型（KBIRS模型）。

文献[7]提出了基于动态划分检测区域的车道线检测算法，改进了传统的跨越车道线的车道偏离预警算法，设计了车道线偏离时间计算方法。对安装的车载相机进行标定以获取相机参数，设置了偏离时间阈值条件，决策是否实施预警。文献[8]设计了基于车辆横向位置和偏航角度的预警模型，在车辆偏离距离安全阈值的基础上又增添了车辆偏航角度安全阈值，与传统模型相比更加简单高效。文献[9]则是利用卷积神经网络对车道线进行精确检测，再根据本车道线的对称情况设置偏离安全阈值，若超出该阈值则进行预警。

CCP模型通过检测车辆在当前车道中的位置，并假定车辆大致与车道线平行，再根据车宽等已知信息，可求出车辆左右车轮当前位置相对于左右车道边界的距离，如公式（1）所示。

式中：blane为当前车道宽度（m）；d0为车辆中心线相对于车道中心线的距离；bv为车辆的宽度（m）。 对于公式（1），若Δd＞0，则表明车辆没有超过两边的临界车道线，此时不报警；若 Δd＜0，则表明车辆已经越过两边的临界车道线，此时应发出偏离报警。

FOD模型主要基于车辆在路面上未来偏离量，设立了虚拟和真实车道线，并根据侧向速度、当前车辆距车道线的距离来算出预计车辆侧向位置，若超出给定的边界位置阈值，则预警。

TLC模型主要依据车辆当前的运行状态估计出一定时间后车辆穿越车道线的时间，将估计出的时间与安全阀值相比较，从而提供预警。

图1 转向盘转角不变的TLC预警示意图

图1为转向盘转角不变的TLC预警示意图，车辆触碰临界车道线的时间综合考虑了车辆的侧偏角、横摆角速度和前向速度，其模型如公式（2）—公式（4）所示。

公式（2）—公式（4）中：d（l）为车辆前轮距道路边界线的距离（m）；v为车辆前行速度（m/s）；al为车辆侧向加速度（m/s2）；Cr与CV分别为道路曲率和车辆运行轨迹曲率，且CV=ɷ/v；ɷ为车辆横摆角速度（rad/s）；θ为车辆侧偏角（rad）。

对于公式（4），若触碰临界车道线的时间tc＜tth时，发出偏离报警。

4 总结与展望

通过车道偏离预警系统的分析可知，LDW 技术主要包括：利用视觉图像进行车道线的检测方法研究和LDW 模型构建的研究两大部分。在车道线检测方法研究方面，可以在传统车道线检测方法基础上，探究基于深度学习理论的车道线识别新方法或采用双目视觉实施车道线检测的新技术等。在车道偏离预警模型的构建方面，可以结合车辆的行驶姿态等探究车道偏离预估计模型。只有准确地检测出车道线信息，构建合理的车道偏离预警模型，才能及时、可靠地告诫因疲劳驾驶或注意力不集中的驾驶员，使其修正无意识的车道偏离，减少和预防车道偏离事故的发生。