不同挑战性环境条件下基于视觉的鲁棒车道检测与跟踪
计算机视觉与模式识别
2024-04-30 v3
摘要
车道线检测对于高级驾驶辅助系统而言是基础性的。然而，当道路车道线因现实挑战性环境和恶劣天气而可见度低时，车道检测极具挑战性。大多数车道检测方法面临四类挑战：(i) 光效应，即阴影、眩光、反射等；(ii) 由自然灾害和恶劣天气造成的侵蚀、模糊、着色和龟裂车道的不清晰可见性；(iii) 周围不同物体(雨刮器、车辆等)对车道线的遮挡；以及(iv) 车道视图内存在类似车道的混淆线，例如护栏、路面标记、道路分隔器等。在此，我们提出一种具有三项关键技术的鲁棒车道检测与跟踪方法。首先，我们引入综合强度阈值范围(CITR)以提升canny算子在检测低强度车道边缘时的性能。其次，我们提出一种两步车道验证技术，即基于角度的几何约束(AGC)和基于长度的几何约束(LGC)，随后使用霍夫变换，以验证车道线特征并防止错误车道检测。最后，我们提出一种新颖的车道跟踪技术，通过沿x轴定义水平车道位置范围(RHLP)，该范围随前一帧的车道位置更新。它能在左或右或两侧车道线部分及完全不可见时保持对车道位置的跟踪。为评估所提方法的性能，我们使用了DSDLDE [1]和SLD [2]数据集，分辨率分别为1080x1920和480x720，帧率分别为24和25帧/秒。实验结果表明，平均检测率为97.55%，平均处理时间为22.33毫秒/帧，优于当前最优方法。
引用
@article{arxiv.2210.10233,
title = {Vision-Based Robust Lane Detection and Tracking under Different Challenging Environmental Conditions},
author = {Samia Sultana and Boshir Ahmed and Manoranjan Paul and Muhammad Rafiqul Islam and Shamim Ahmad},
journal= {arXiv preprint arXiv:2210.10233},
year = {2024}
}
备注
19 pages, 11 figures, submitted to IEEE Access