及方向通过迭代算法融合，得到车道线标识 检测结果。
[0101] 这个部分检测后面的中心观测在于感兴趣的图像特征一命名为对应于涂漆车道 的线条一基本上都包含良好定义的、拉长的、比它们周边更为明亮的延续区域。尽管这个特 征排除了圆形反射物以及在浅色路面上的深色标示，它却包含了实线和虚线边界、停止线、 斑马线、各种形状的白色和黄色的人行横道。因此，我们的策略是先运用空间梯度算子检测 出潜在的路面涂漆边界，然后再通过搜寻含有更明亮区域的边界来估算想要的线条中心； 也就是说，成对的边界应该是在世界空间上邻近的、近似平行的，并且其局部梯度指向彼 此。（参见图7)
[0102] 图7上述四幅图代表了一个完整的流程。（a)初始图像；（b)对初始图像经过平滑后 的梯度(红色部分）、边界等高线(绿色部分）、以及对称等高线对(黄色部分）；（c)一个候选 的涂漆车道线检测结果；（d)最后的车道线检测结果。
[0103] 我们的方法对于许多情况下都显出其的灵活可靠性。许多无关的图像线条都被对 称的暗-亮-暗的假设、规定的宽度和长度的阀值、以及曲率约束所拒绝，被任何感知观测到 的直的和弯曲的部分都统一处理；即使存在道路纹理和场景照明不同的情况下，特征也能 被可靠的提取出来。
[0104] 基于等高线的车道线检测包含了三个步骤:用于检测原始特征的低层级的图像处 理;等高线提取以产生可能的全部初始的车道线；用于平滑和减少假阳性结果的等高线后 处理过程。第一步是要运用局部的低通滤波和导数算子来产生原始灰度图像的空间梯度的 压缩噪音后的方向和大小。一个宽松的阀值可以用于梯度，以便去除由低对比区域得出的 极端弱的、不可靠的边缘结果，同时保留住所有感兴趣的可能边缘。得出的结果图像要经历 在梯度方向上的非极大值抑制，以最大程度降低无关的像素而不需要明确的阀值;这样处 理后的结果是一个稀松的特征掩盖图像，伴随着每一个有效像素都有对应的梯度大小和方 向。和其他边缘检测方法一样，用空间梯度和数据相关的局部接受阀值可以对通常检测情 况(例如阴影、低对比路面涂漆以及各种路面纹理)提供一定检测可靠度。
[0105] 第二步，连接部分算法迭代过特征遮掩区域，以生成平滑的有序点的、在地点和梯 度方向上断开的等高线。这将产生一个新的图像，其像素值代表了检测到的等高线的方位， 这又反过来代表了候选的车道涂漆边界。尽管下游的融合算法可以直接运用这些原始的边 界，但是有两个问题会即刻出现:真实的车道涂漆标志会呈现出单独的"双重"等高线，在已 知涂漆线的任何一边，代表了从深到浅和从浅到深的转变;许多检测到的等高线可能对应 于不想要的观测到的密度边缘，例如由于比较明显的阴影线引起的，或者是由于道路材质 变换引起的。因此在这一阶段我们要加强约束:感兴趣的车道线是稀疏的、延长的、在深色 底色上的浅色区域，并且其边界在坐标系中是平行的。这个约束设定排除了在浅色底色上 的深色路标以及小的特征，例如圆形反射物，并且大幅降低了假的检测结果。
[0106] 为了定位出在检测出的双重边界中的我们想要的车道中心线，我们对上述想要的 等高线图象进行第二个迭代。在每一个边界像素 Ap1，按等高线的顺序遍历，算法沿着局部 梯度cU的方向延伸出一条虚拟线，知道其碰到另一条等高线上的w点(见图7(c))。如果第二 条等高线的梯度山与Cl 1方向相反，并且如果?1和如间的距离在事先设定的对应于涂漆车道 线预期宽度的范围内，那么PdPw的中点将被加入逐渐增长的中心线曲线上。许多非涂漆的 等高线(例如，那些只有一个边缘或者宽度不符合设定的等高线）因而被从候选中剔除。
[0107] 在这一步，我们的检测算法已经够造出了一系列的车道涂漆线候选，每一个都比 其周边环境要亮;然而，这样的候选集会受到不想要的线段和极值的影响。所以，算法的第 三步也是最后一步，要运用一系列高层级的后处理操作来生成平滑的、高置信度的车道线 估计，这样后续才能进行数据融合和车道线估计阶段。我们首先合并其融合能产生平滑曲 线的任何的等高线片段(例如，并不引进不连续的或是高度弯曲的部分）；与其他方法所不 同的是，我们并不强调直线约束。然后，我们将抛物线弧度融合进合并的曲线，并递归地在 有着高度误差的点处打破他们。最后，短于一个给定阀值长度(包括像素和度量长度）的所 有曲线都在产生最后的图像相关的车道涂漆线前被移除。和第一个车道线涂漆检测算法相 同的是，在进一步处理前，这些数据都被反向感知定位回和投射到地平面图像上。
[0108] 在实际操作中，上述我们运用的两种视觉的道路检测算法的主要区别在于敏感度 和速度。基于等高线的检测因为运用的是抛物线曲线模型，故而倾向于估计出更为平滑的 曲线；而基于梯度的检测能够更为精确的捕捉非抛物线曲线的几何特性。基于梯度检测的 过滤核的不同宽度有许多的优点，使得它能够在图像区域中即使车道涂漆线仅跨越了一些 像素时，也可以进行更为可靠的检测。最后，拟合抛物线弧度比样条曲线搜索更快，这使得 基于等尚线的检测能够运用于更尚的帧速率。
[0109] (四）运用雷达数据进行车道边缘检测
[0110] 除了检测诸如防护栏和其他车辆等的大型障碍物之外，雷达子系统可以检测小物 体，如经常用于描绘车道边界的路径和路缘。这些检测提供了可以用于融合进车道中心线 估计的数据，并且实际上代表了即使在没有涂漆车道线的情况下，仍然可以被用于发现车 道形状的补充特性。在这里我们只是简要的总结雷达的车道边界检测，具体的过程会另外 附文说明。
[0111] Velodyne和SICK雷达都要用于检测车道边界。一个地形某个特定地区的"粗糙度" 可以通过查找在小的平移变化上发生的大的海拔变化来确定。这些斜率被收集进一个2D数 组，这样数组中每个网格的值都对应于观测到的地面的粗糙度。这个得出的粗糙度地图可 以用图8中红色区域解释。由于移动障碍的存在引起的复杂性在于:一个大的垂直的间断面 的存在，可能从车头出现，但这并不意味着是车道边界。我们通过短期记忆来拒绝这些假阳 性结果:如果一个给定的网格曾被观测到是"平滑的"（例如，部分的路面），那么对于该网格 内一个垂直的间断面的任何检测可以被忽略。
[0112] 图8雷达检测出的车道边界。通过雷达数据，我们的算法能够检测出路径和路缘， 这两个通常意味着车道边界。这些边界是通过从车体位置发射射线来找到的：第一次从光 滑表面到粗糙表面的转换被作为车道边界的一个检测点。随后将检测的点融合成样条曲线 就可以得到车道边界估计。
[0113] 从这个"粗糙度地图"，我们通过车体附近某个点发射出的射线(这里我们假设车 子是在车道中间的），可以检测出车道边界。每条射线都记录下从光滑到粗糙的第一次转 变，从而形成了一系列的车道边界点检测(见图8)。与视觉的车道涂漆检测中最大的过滤结 果相类似，这些点检测容易出现假阳性。然而，通过检测点来拟合样条曲线，并拒绝那些不 符合车道边界模型的样条曲线，假阳性率可以降到可接受的水平。
[0114] 这样的出的车道边界检测结果可以作为佐证，整合进网格，后文会讨论该流程。 当车道涂漆检测失败的时候（由于路面涂漆不存在或者很难检测到），我们的车道跟踪系统 就只依靠雷达发起的车道检测来维持车辆行进。
[0115] 四、车道中心线估计
[0116] 车道搜索的第二阶段在于运用一系列加权过的近期得出的车道涂漆和曲线检测 结果(这两个检测结果都是用分段曲线来表示），来估计附近车道的几何特性。为了简化过 程，我们只估计车道中心线，在我们的模型中这个中心线是用局部抛物线部分来拟合的。尽 管郊区的车道并非设计成抛物线状的，但是这种设计对于在传感器范围内的道路延伸而言 (在我们的试验中大概是50米的距离），通常情况下是精确的。
[0117] 为了更好地进行无人自动驾驶，还包括步骤，根据所述检测结果及雷达检测的路 缘信息计算车道中心线的位置后还包括步骤，用现有的中心线数据进行抛物线拟合，估计 远处车道中心线的位置，并利用先验信息进行车道中心线追踪。追踪部分将在第五章、车道 跟踪中进行描述。
[0118] 车道中心线的估计包含两个步骤:第一步，创建出中心线证据图像D，在车道中心 的任一点p=[px，p y]为其局部坐标，其对应像素点的值为D(p);第二步，用D中的脊线拟合出 抛物线部分，并且作为车道中心线的候选进行评价。
[0119] ( -）中心线证据图像
[0120] 为了创建D，车道涂漆和曲线检测被用于增加或减少图像中的像素值并且根据他 们的得出的时间远近加以权重(越近得出的检测结果权重越大）。对应于点P的像素的D值是 通过计算η ?々卜的毎个车道淦漆和齊曲拾涮山的加权影响得出的：
[0121]
[0122] 其中，a(di)表示自从di首次被检测出来过了多久时间，λ是衰减恒量，g(di，p)是 在P点处cU的影响。在我们的系统中，λ设定为0.7。
[0123] 在开始描述如何决定cU的影响之前，我们要做三个观测到的假设。首先，车道中心 线很可能是位于车道涂漆或是弯曲的带宽的一半处的位置。第二，美国88%的国道宽度都 在3.05米到3.66米之间。第三，弯曲估计相较于车道涂漆检验而言，能给我们带来不同的车 道信息。从上述的直接观测结果以及我们的车道涂漆和弯曲检测的特性，我们定义两个方 程frp(X)和fcb(X)，其中X是从di到P的欧式距离：
[0124；
[0125] 方程frp和匕"是分别用来计算D上的车道涂漆和弯曲检测的中继方程。匕[)在1 = 0时 值最小，在一般道宽（I.83m)处值最大。Lb的值总是负的，意味着弯曲检测只是用来降低车 道中心线的证据的。我们之所以这样设计是因为我们的弯曲检测有时候会在没有弯道存在 的时候检测出含有弯曲特征的结果。令c为在cU上离p最近的点，这样一个检测的实际影响 可以通过下属方程算出：
[0126]
[0127]引入这最后一个条件是因为车道涂漆和弯曲只在短的分段内进行。这样的结果 是，一个检测只会影响就在其旁边的中心线证据值，而不会对其前后的中心线证据造成影 响。
[0128] 在实际中，D可以在首次被初始化，并通过加入最近接收的检测影响更新，并在每 次更新时运用幂指数时间衰减作为权重。此外，我们通过在两个分开的、但却接近并且在同 一直线上的车道涂漆检测结果间加入虚拟的车道涂漆检测进行连接，从而改进了系统检 测虚线边界的能力。
[0129] (二)抛物线拟合
[0130] 一旦中心线证据图像D被构建出来，脊线点集R就可以通过扫描D来取得沿着横列 或是竖列的局部最大且其值超过了最小阀值的点。然后，再用随机抽样一致算法(RANSAC) 将这些脊线点集拟合成抛物线的部分。
[0131] 随机抽样一致算法是通过从全集数据中反复抽取随机子集数据来匹配模型，从而 去除噪音点。每次取出的子集被假设为内层点，并反复迭代予以验证，其原理如下：
[0132] 1、假设取出的内层点适用于某个模型，即该模型中所有的未知参数都能通过内层 点计算得出；
[0133] 2、用上述模型检测其他所有数据，如果某个点适用于该模型，则被系统认为也是 内层点；
[0134] 3、当被认定的内层点个数大于阀