1.2.1 車道線識別

車道線檢測方法目前主要分為兩類：基于傳統方法的車道線檢測與基于深度學習的車道線檢測[4]。基于傳統方法的車道線檢測一般包含兩個步驟：特征點的確定和車道線的擬合。當確定特征點時，通常利用的是顏色特征、邊緣特征以及結構特征等信息；當進行車道線擬合時，通常利用的是直線模型、拋物線模型、雙曲線模型、貝塞爾曲線模型等。

基于深度學習的車道線檢測方法是，先搭建人工神經網絡，之后利用海量數據集訓練網絡，再從數據集中自動提取車道線特征。

傳統車道線檢測方法主要是通過對圖像特征的提取，來獲得車道線信息的。由視頻得到的每幀圖像通過高斯模糊、二值化、邊緣檢測等步驟來獲取車道線標注。其具體流程如圖1-10所示。

高斯平滑處理是對圖片采用一個高斯濾波器，以消除原始圖片的噪聲。其基本原理是重新計算圖片中每個像素點的值，取該點及其附近點的像素值進行加權平均，權重符合高斯分布。高斯核大小取5，a是高斯核矩陣中所有值的和。網格矩陣為Q，原圖片為I，新圖片為I′，計算新圖片的具體公式如下：

如圖1-11a所示，高斯濾波器作為一種低通濾波器，能抑制圖片中的高頻部分，從而讓低頻部分順利通過。由于車載相機相對于車是固定的，而車相對于車道的左右位置也是基本固定的。所以，在所拍攝的視頻中，車道基本保持在一個固定區域內，可以將該固定區域作為ROI，目的是過濾掉ROI外的邊緣部分。濾波結果如圖1-11b所示。

接著根據得到的線計算出左車道和右車道，采用的步驟如下：

1）根據斜率正負劃分某條線屬于左車道或右車道，并移除邊緣線。

2）迭代計算各條線的斜率與斜率均值的差，逐一移除差值過大的線。

3）分別對左右車道線的頂點集合做線性回歸得到最終車道。