自车道分析系统（ELAS）：数据集与算法

过去二十年中，视觉传感器成本的下降和嵌入式硬件的进步推动了车道相关研究的检测、估计与跟踪。随着高级驾驶辅助系统（ADAS）和自动驾驶汽车的需求，该主题的关注度进一步提高。尽管已独立地被广泛研究，仍需要提出针对自车道多个问题组合解决方案的研究，例如车道偏离预警（LDW）、变道检测、车道线类型（LMT）分类、道路标线检测与分类，以及相邻车道（即紧邻左右车道）存在性检测。在本文中，我们提出一种实时自车道分析系统（ELAS），能够估计自车道位置、分类LMT与道路标线、执行LDW并检测变道事件。该基于视觉的系统在图像时间序列上工作。车道标线特征在透视与逆透视映射（IPM）图像中提取并融合以提高鲁棒性。最终估计的车道使用样条建模，结合多种方法（Hough线与卡尔曼滤波、样条与粒子滤波）。基于估计的车道，检测所有其他事件。为验证ELAS并弥补文献中车道数据集的缺失，我们创建了一个包含20多个不同场景（超过15,000帧）并考虑多种情形（城市道路、高速公路、交通、阴影等）的新数据集。该数据集经人工标注并公开，以支持研究界感兴趣的若干事件评估（即车道估计、变换与居中；道路标线；交叉口；LMT；人行横道与相邻车道）。ELAS在所有真实世界事件中实现了高检测率，并证明可用于实时应用。