一种用于车道线检测的梯度增强转换方法及系统与流程

本发明涉及高级驾驶辅助系统的计算机视觉技术，特别涉及一种用于车道线检测的梯度增强转换方法及系统，可用于光照鲁棒的车道线检测。

背景技术：

随着车辆数量的增加，车祸受害者的数量每年都在增加。许多事故是由于驾驶员粗心或视觉干扰对驾驶条件缺乏意识造成的。高级驾驶员辅助系统(adas)是减少此类事故的重要技术。车道检测和跟踪是adas的基本模块，是车道偏离警告系统和车道保持系统的核心。另外，检测到的车道位置的信息可以用于检测接近的车辆和障碍物。

通常车道线检测算法使用以下三个步骤：

车道特征提取，异常值删除和跟踪。特征提取是车道线检测中的重要步骤。许多特征，如颜色，角点，边缘和几何形状可用于表示车道。边缘是最重要的特点之一，因为车道线在道路上创造了强大的边缘。换句话说，由于其强度的差异，在道路和车道之间存在大的梯度。因此，目前的方法多使用基于梯度的特征。这些基于梯度的车道检测算法将梯度特征提取应用于从一定比例的rgb或ycbcr的亮度系数获得的灰度级图像。然而，它们在检测与道路相比具有大梯度的车道特征方面存在一些问题，例如：由于彩色车道线被转换为类似于道路的灰度值，所以彩色车道线和道路之间的梯度被高度抑制，可能导致车道线检测失败。这可能在实际应用中引起关键问题，因为彩色车道线可以传达更重要的信息，例如中心线。

传统的灰度图像转换方法没有考虑常规灰度级图像转换方法的问题。常规方法使用在诸如ycbcr的颜色空间中的平均rgb通道或亮度通道。虽然在彩色图像中清楚地区分了车道线和道路，但是在转换后的图像中二者相似，难以适当地提取梯度特征。如果使用较大的阈值，则不能检测到黄色车道的边缘。如果使用较小的阈值，则在检测车道边缘的同时，也检测到太多的不需要的边缘。

一些改进方式是，基于直方图的对比度增强方法[q.-b.truongandb.-r.lee,“newlanedetectionalgorithmforautonomousvehiclesusingcomputervision,”inproc.int.conf.control,autom.syst.,seoul,korea,oct.2008,pp.1208–1213.]可以用于增强白色车道和道路之间的梯度。然而，在许多情况下，黄色车道线的强度类似于道路的强度，则基于直方图的方法不能很好地工作。

另一些改进方法是，改进的基于rgb比率的梯度增强转换方法，[z.kim,“robustlanedetectionandtrackinginchallengingscenarios,”ieeetrans.intell.transp.syst.,vol.9,no.1,pp.16–26,mar.2008.]用具有神经网络的分类性能模拟具有两种不同比率的彩色和灰度图像。由它们的比率转换(0.5为红色，0.4为绿色，0.1为蓝色)的灰度级图像优于由平均权重转换的用于检测黄色车道标记的灰度级图像。这种观察在日光条件下可能是合理的，因为在红色和绿色通道中，黄色和白色车道线比道路具有更高的值。然而，问题仍然存在于不同的色温照明下，例如傍晚日照或人工照明条件。

还有一些改进方法是，基于灰度聚类的亮度补偿方法，wang等人[j.-g.wang,c.-j.lin,ands.-m.chen,“applyingfuzzymethodtovisionbasedlanedetection,”exp.syst.appl.,vol.37,no.1,pp.113–126,jan.2010.]提出了一种用于解决由天气条件引起的照明问题的车道检测算法。他们在yiq色彩空间的y通道图像中执行亮度补偿，其中i表示同相，q表示正交。他们分析了y通道图像的直方图，并通过sca和模糊c均值聚类将y通道图像分成亮和暗分量。对于每个分量，基于伽马校正来实现补偿。如果道路和车道被分类为不同的集群，则梯度被充分增强。如果分类失败，亮度不能很好地补偿。因为在许多情况下车道和道路具有相似的强度值，错误分类依然可能发生。

由此可见，上述基于灰度图像增强的所有方法(例如对比度增强和亮度补偿)都有一定的局限性。如果原始灰度级相似，则增强值也是类似的。因此，由灰度图像转换处理丢失的信息不能被恢复。此外，上述改进的基于rgb比率的方法不能保证在各种照明条件下车道线和道路之间的梯度保持适当。因此，需要一种新的转换方法，用以在各种照明条件下在车道和道路之间产生更大的梯度，从而适当地检测车道。

技术实现要素：

本发明要解决的技术问题是，提供一种用于车道线检测的梯度增强转换方法，以适用于光照鲁棒的车道线检测，通过产生最佳的rgb权重，使得道路上车道线边界梯度最大化，从而能够更好地区分车道线和道路。

解决上述技术问题，本发明提供了一种用于车道线检测的梯度增强转换方法，包括如下步骤：

s1建立一彩色rgb图像采集模型，用以捕获图像的rgb值，

s2基于rgb值的变化动态生成一转换向量，通过所述转换向量将图像的当前帧转换为灰度图像用以提供最大车道梯度，

s3对转化后的灰度图像进行车道线检测，并提取训练数据，

s4根据所述训练数据采用lda算法训练更新上述转换向量，更新后的转换向量中包括：增强白色车道梯度和增强黄色车道梯度，

重复上述s2～s4，实现连续地转换。

更进一步，所述彩色rgb图像采集模型为：

其中，λ表示光的波长；ri，gi和bi是图像的第i个像素的rgb值；e(λ)表示光的光谱功分布；si(λ)是第i个像素的物体表面反射率，rgb传感器的光谱灵敏度分别用qr(λ)，qg(λ)和qb(λ)表示。

更进一步，通过所述转换向量将图像的当前帧转换为灰度图像用以提供最大车道梯度满足如下方程：

g1(ωmax)＝max(g1(ω))＝max(|ω·x^r-ω·x^l|)，

其中,x^r和x^l分别是道路和车道区域的rgb像素值,其中yr和y1分别表示道路和车道线的灰度值,ω表示rgb转换向量(ωr,ωg,ωb)。

更进一步，提取训练数据包括：图像道路和车道区域的rgb像素值的x^r和x^l，设在时间t帧的类c的训练数据定义如下：

其中是在时间t的帧的类c的训练数据，c是车道线或道路，表示在t时间的帧中提取的类c的训练数据，k是要用于当前帧的训练数据的先前帧的数目。

更进一步，提取训练数据的过程中还包括基于当前帧中的车道检测结果更新下一帧的训练数据，进一步包括如下步骤：

选择检测到的车道附近的感兴趣区域，基于t-1时刻的帧的训练数据的统计特性收集类别c的新训练数据然后采用马氏距离用于测量在t-1时刻的帧与之间的相似性，

其中，x是在t-1帧中的像素的rgb向量，mc是类c的平均向量，sc是类c的协方差矩阵，mdc是x和mc之间的马氏距离，若mdc(x)小于特定值，则选择x作为类c的新训练数据。

更进一步，lda算法训练更新上述转换向量的方法具体包括：

使用两个不同的方差来找到类间散射sb和类内散射sw之间的线性组合，具体地每项定义如下：

其中，x是数据，ni是类i中的数据的数量，mi是类i的平均值，m是所有数据的平均值，c是类的数量，ci是类i中的所有数据的集合。

更进一步，方法还包括：将转换向量的类间散射配置为最大化，转换向量

更进一步，上述提取训练数据时对于图像序列的初始帧，采用手动裁剪出车道线和道路区域并将其用作初始训练数据；

对于之后的图像，通过获取先前帧图像中的车道线和道路的rgb值，提取训练数据用于更新转换向量。

更进一步，所述车道线检测进一步包括：

利用自适应的canny边缘检测算子对转换后的图像提取特征；

基于提取的边缘信息，采用霍夫变换ht和边缘连接方法进行初始车道线估计；

车道线模型拟合生成车道检测结果。

基于上述，本发明还提供了一种用于车道线检测的梯度增强转换系统，包括：

彩色图像采集建模单元，用以建立一彩色rgb图像采集模型，用以捕获图像的rgb值，

转换向量单元，用以基于rgb值的变化动态生成一转换向量，通过所述转换向量将图像的当前帧转换为灰度图像用以提供最大车道梯度，

训练数据提取单元，用以对转化后的灰度图像进行车道线检测，并提取训练数据，

lda计算单元，用以根据所述训练数据采用lda算法训练更新上述转换向量，更新后的转换向量中包括：增强白色车道梯度和增强黄色车道梯度

本发明的有益效果：

本发明中提出以线性判别分析(lda)为基础的梯度增强转换，该梯度增强转换方法能够产生最佳的rgb权重，使得道路上车道线边界梯度最大化。该过程在各种照明条件下使边界提供强边缘，即对于照明改变是鲁棒的，有效提高了在各种照明条件下的梯度特征值。所提出的梯度增强图像可以提高基于梯度特征的车道检测算法的性能。通过对比实验，本发明的方法显示出最佳性能，并且当使用本发明的梯度增强图像时，每种方法的车道检测率提高10％以上。

附图说明

图1是本发明一实施例中的方法流程示意图；

图2是本发明一实施例中的系统结构示意图；

图3是将本发明用于车道线检测的工作流程；

图4是在不同环境中本文提出算法的车道线检测率；

图5是对比方法的车道检测率。

具体实施方式

现在将参考一些示例实施例描述本公开的原理。可以理解，这些实施例仅出于说明并且帮助本领域的技术人员理解和实施例本公开的目的而描述，而非建议对本公开的范围的任何限制。在此描述的本公开的内容可以以下文描述的方式之外的各种方式实施。

如本文中所述，术语“包括”及其各种变体可以被理解为开放式术语，其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。

图1是本发明一实施例中的方法流程示意图，具体包括如下步骤：步骤s100建立一彩色rgb图像采集模型，用以捕获图像的rgb值，步骤s101基于rgb值的变化动态生成一转换向量，通过所述转换向量将图像的当前帧转换为灰度图像用以提供最大车道梯度，步骤s102对转化后的灰度图像进行车道线检测，并提取训练数据，步骤s103根据所述训练数据采用lda算法训练更新上述转换向量，更新后的转换向量中包括：增强白色车道梯度和增强黄色车道梯度，重复上述步骤s101～s103，实现连续地转换。通过本实施例中的梯度增强转换方法，能够产生最佳的rgb权重，使得道路上车道线边界梯度最大化。作为本实施例中的优选，在所述步骤s100中，所述彩色rgb图像采集模型为：

其中，λ表示光的波长；ri，gi和bi是图像的第i个像素的rgb值；e(λ)表示光的光谱功分布；si(λ)是第i个像素的物体表面反射率，rgb传感器的光谱灵敏度分别用qr(λ)，qg(λ)和qb(λ)表示。由同一相机捕获的相同颜色对象的图像的rgb值可随着照明变化而变化。这意味着固定rgb比率法不能产生最佳解来解决在各种照明条件下的车道梯度最大化问题。

作为本实施例中的优选，在所述步骤s101中，通过所述转换向量将图像的当前帧转换为灰度图像用以提供最大车道梯度满足如下方程：

g1(ωmax)＝max(g1(ω))＝max(|ω·x^r-ω·x^l|)，

其中,x^r和x^l分别是道路和车道区域的rgb像素值,其中yr和yl分别表示道路和车道线的灰度值,ω表示rgb转换向量(ωr,ωg,ωb)。为适应各种照明和道路条件，需动态生成转换向量。此转换向量将彩色图像转换为灰度图像，并提供最大车道梯度，用于转换当前帧。

作为本实施例中的优选，在所述步骤s102中当前图像的训练数据由先前帧的车道和道路颜色信息提供，训练数据包括道路和车道线类，具体地提取训练数据包括：图像道路和车道区域的rgb像素值的x^r和x^l，设在时间t帧的类c的训练数据定义如下：

其中是在时间t的帧的类c的训练数据，c是车道线或道路，表示在t时间的帧中提取的类c的训练数据，k是要用于当前帧的训练数据的先前帧的数目。更进一步地，提取训练数据的过程中还包括基于当前帧中的车道检测结果更新下一帧的训练数据，还包括如下步骤：

选择检测到的车道附近的感兴趣区域，基于t-1时刻的帧的训练数据的统计特性收集类别c的新训练数据然后采用马氏距离用于测量在t-1时刻的帧与之间的相似性，

其中，x是在t-1帧中的像素的rgb向量，mc是类c的平均向量，sc是类c的协方差矩阵，mdc是x和mc之间的马氏距离，若mdc(x)小于特定值，则选择x作为类c的新训练数据。

在一些实施例中，上述提取训练数据时对于图像序列的初始帧，采用手动裁剪出车道线和道路区域并将其用作初始训练数据；对于之后的图像，通过获取先前帧图像中的车道线和道路的rgb值，提取训练数据用于更新转换向量。

作为本实施例中的优选，在所述步骤s103中的lda算法训练更新上述转换向量，lda使用两个不同的方差来找到类间散射sb和类内散射sw之间的线性组合的方法具体包括：

使用两个不同的方差来找到类间散射sb和类内散射sw之间的线性组合，具体地每项定义如下：

其中，x是数据，ni是类i中的数据的数量，mi是类i的平均值，m是所有数据的平均值，c是类的数量，ci是类i中的所有数据的集合，将转换向量的类间散射配置为最大化，转换向量由于现实场景中的车道类分为黄线类和白线类，因为车道通常用白色或黄色标记。为了最大化梯度增强，科确定两个转换向量：一个增强白色车道梯度，另一个增强黄色车道梯度。

在一些实施例中，在所述步骤s102中所述车道线检测进一步包括：利用自适应的canny边缘检测算子对转换后的图像提取特征；基于提取的边缘信息，采用霍夫变换ht和边缘连接方法进行初始车道线估计；车道线模型拟合生成车道检测结果。

图2是本发明一实施例中的系统结构示意图，本实施例中的一种用于车道线检测的梯度增强转换系统，包括：

彩色图像采集建模单元1，用以建立一彩色rgb图像采集模型，用以捕获图像的rgb值，彩色图像采集建模彩色图像采集过程建模为如下：

其中λ表示光的波长；ri，gi和bi是图像的第i个像素的rgb值；e(λ)表示光的光谱功分布；si(λ)是第i个像素的物体表面反射率。rgb传感器的光谱灵敏度分别用qr(λ)，qg(λ)和qb(λ)表示。换句话说，e(λ)由照明条件确定，si(λ)由物体表面颜色确定，而q(λ)由摄像头传感器的特性确定。因此，由同一相机捕获的相同颜色对象的图像的rgb值可随着照明变化而变化。这意味着固定rgb比率法不能产生最佳解来解决在各种照明条件下的车道梯度最大化问题。

转换向量单元2，用以基于rgb值的变化动态生成一转换向量，通过所述转换向量将图像的当前帧转换为灰度图像用以提供最大车道梯度，为了解决上述问题，在本发明中动态生成可以适应各种照明和道路条件的转换向量。此转换向量将彩色图像转换为灰度图像以提供最大车道梯度。转换向量由先前帧的车道和道路颜色信息更新。

通常由rgb的加权和转换成灰度级，如下：

y＝ωrr+ωgg+ωbb(2)

其中ωr，ωg和ωb是rgb的权重，y是(r,g,b)的转换值。转换后图像中的车道线梯度在数学上表示如下：

其中yr和yl分别表示道路和车道线的灰度值。等式(2)可以表示为转换向量和rgb向量之间的内积。据此，在本发明中通过如下的转换向量ω表示图像的第i个像素的转换值：

yi(ω)＝ω·xi(4)

其中ω表示rgb转换向量(ωr,ωg,ωb)，xi表示rgb向量(ri,gi,bi)。内积被几何解释为一个向量到另一个向量的标量投影。因此，公式(6)中的yi是xi在权重向量ω上的标量投影。换句话说，yi可以通过从3-d向量到1-d标量的维度减小来实现。根据(4)，(3)中的gl可以表示如下：

gl＝|yr(ω)-yl(ω)|

＝|ω·x^r-ω·x^l|(5)

其中x^r和x^l分别是道路和车道区域的rgb像素值。因此，梯度增强转换涉及找到满足以下方程的向量ωmax:

gl(wmax)＝max(gl(ω))

＝max(|ω·x^r-ω·x^l|)(6)

由于(4)中的灰度图像转换是一种维度降低，因此可以通过找到一种维数缩减向量，使道路和多类车道线得到不同转换值，来求解(6)。

训练数据提取单元3，用以对转化后的灰度图像进行车道线检测，并提取训练数据，对转换后的图像进行车道线检测。

本发明利用训练数据，基于式(6)计算的降维向量ωmax。在本发明中需要准备训练数据包括图像道路和车道区域的rgb像素值的x^r和x^l。

在时间t帧的类c的训练数据定义如下：

其中是在时间t的帧的类c的训练数据，c是车道线或道路，表示在t时间的帧中提取的类c的训练数据，而k是要用于当前帧的训练数据的先前帧的数目。

(6)中的问题变为识别使不同类之间区别最大化的维数缩减向量的问题。基于当前帧中的车道检测结果更新下一帧的训练数据。首先，在本发明中选择检测到的车道附近的感兴趣区域。基于t-1时刻的帧的训练数据的统计特性，即收集类别c的新训练数据，即马氏距离用于测量在t-1时刻的帧与之间的相似性，因此

其中x是在t-1帧中的像素的rgb向量，mc是类c的平均向量，sc是类c的协方差矩阵，mdc是x和mc之间的马氏距离。如果mdc(x)小于特定值，则选择x作为类c的新训练数据。

在一些实施例中，可以使用如下车道线检测流程：利用自适应的canny边缘检测算子对转换后的图像提取特征；基于提取的边缘信息，采用霍夫变换(ht)和边缘连接方法进行初始车道线估计；车道线模型拟合生成最终车道检测结果。

lda计算单元4，用以根据所述训练数据采用lda算法训练更新上述转换向量，更新后的转换向量中包括：增强白色车道梯度和增强黄色车道梯度。lda是找到特征的线性组合，用以表征或分离两个或多个类别的对象或事件，在统计学，模式识别和机器学习中被频繁使用。lda使用两个不同的方差来找到类间散射sb和类内散射sw之间的线性组合。每项定义如下：

其中x是数据，ni是类i中的数据的数量，mi是类i的平均值，m是所有数据的平均值，c是类的数量，ci是类i中的所有数据的集合。

为了区分不同的类，wx的类间散射应当被最大化，并且类内散射应该被最小化。因此：

车道类分为黄线类和白线类，因为车道通常用白色或黄色标记。为了最大化梯度增强，在本发明中确定两个转换向量：一个增强白色车道梯度，另一个增强黄色车道梯度。因此，使用两类lda方法，从一个彩色图像生成两个转换图像。

在上述系统中能够产生最佳的rgb权重，使得道路上车道线边界梯度最大化。该增强转换的过程中在各种照明条件下使边界提供强边缘，从而对于照明改变是鲁棒的，有效提高了在各种照明条件下的梯度特征值。所提出的梯度增强图像可以提高基于梯度特征的车道检测算法的性能。

图3是将本发明用于车道线检测的工作流程，本发明的效果可以通过以下实验进一步证实，将本发明描述的图像转换技术用于车道线检测，从本发明的基于梯度增强矢量的图像转换开始。然后用边缘检测作为特征提取方法。霍夫变换(ht)和边缘连接方法用于初始车道线估计。通过拟合车道模型产生最终车道检测结果。更新训练数据以适应照明变化。在更新步骤中，在本发明中提取新训练数据供下一帧图像使用。算法的整体过程如图1所示。每个步骤的细节表示如下。

第一，特征提取

在边缘检测算法中，在本发明中使用具有自适应阈值的canny边缘检测器。canny边缘检测器使用两个阈值来确定边缘。具有高于较大阈值thl的梯度值的像素被选择为边缘。另一方面，具有低于较小阈值ths的值的像素被确定为非边缘。两个阈值之间的像素被设置为边缘候选，并且如果存在从像素到边缘的路径，则将其分类为边缘。因此，两个阈值显著影响边缘检测的性能。

由于转换图像中的车道线梯度可随照明而变化，所以需要用于canny边缘检测器的自适应阈值。这些自适应阈值从道路和车道类的统计特性计算。由于道路和车道线的rgb分量是正态分布的，且梯度增强转换是一种投影，那么每个类的转换值也是正态分布的。每个类的转换值的分布可以表示如下：

其中c是某个类，mc是类c的平均值，ω是在车道类别和道路类别之间的梯度增强转换向量，ωx^t是x经过ω的梯度增强转换值。因为在先前的梯度增强转换步骤中计算了类的平均值和方差，故可以在没有附加过程的情况下对类的分布进行建模。那么canny边缘检测器的大阈值即是确定边缘的标准，定义如下：

th1＝|ω·m^l-ω·m^r|(12)

其中th1是车道梯度增强图像的canny边缘检测器的大阈值。canny边缘检测器的小阈值可以如下确定：

ths＝max(|ω·m^l-d|，|ω·m^r-d|)(13)

其中ths是梯度增强图像的canny边缘的较小阈值，d是车道线和道路概率相等的值。由于canny边缘检测算法独立地应用于每个转换的图像，所以canny边缘检测器的阈值分别定义，且从一个彩色图像生成两个边缘图。通过或运算将这两个图合并在一个边缘图内。

第二，初始车道线估计

在生成边缘图之后，ht被用于车道候选的初始估计。ht将全局模式检测问题改变为更容易的峰值点检测问题。在霍夫变换中，为可能的线路累积投票的过程可以表示如下：

h(ρ，θ)＝∫∫i(u，v)δ(ρ-ucosθ-vsinθ)dudv(14)

其中h(ρ，θ)是由ρ和θ参数化的线的投票数，i(u，v)是图像空间中的基准。基于ht-算法一般假定车道被表示为直线。用霍夫变换(ht)车道候选的初始估计。霍夫变换可以正确识别直线车道线。对于曲线车道线，其在图像底部仍然可以被视为直线，霍夫变换仍然可以用作用于车道检测的初始估计。

第三，车道线模型拟合。

选择初始感兴趣区域来提取由ht建立的初始线附近的车道线边缘。通过使用感兴趣区域中的边缘方向约束来找到通道边缘。斜坡弯曲车道被改变为与道路区域的上部区域中的ht线的斜率不同的值。如果初始感兴趣区域中的边缘具有与ht线类似的斜率，则将其作为车道线边缘收集。因为车道线边缘通常是连接的，对于上部区域，在本发明中在下部区域中沿着车道边缘的切线方向搜索上部区域。在虚线车道或移除车道的情况下，在上部邻域中可以没有边缘分量。在这种情况下，在本发明中沿着先前车道边缘的切线方向逐行扫描，直到满足车道边缘的候选点。

由于大多数弯曲车道近似由恒定曲率模型表示，在本发明中使用二次曲线模型，其复杂程度低于其他模型。

其中x和y是坐标值，c0是车道的曲率，m是斜率，b是车道的偏移。由于相机坐标系中的通道由二次曲线模型的投影变换表示，所以应该修改模型以估计图像中的车道模型。在本发明中使用与直线和二次曲线组合的模型来近似投影车道模型。因为车道模型是可微且连续的，线参数从曲线参数导出。

需要三个参数的二次曲线来估计车道模型。用最小二乘法找到二次曲线的参数。有

第四，根据本发明的图像转换方法对图像做梯度转换，并对转换后的图像进行车道线检测。在本发明中用几个数据库模拟车道检测算法。在来自数据库的各种照明条件下的超过8000帧被用于表明所提出的车道检测算法的照明鲁棒性。为了评估所提出的车道检测算法，在本发明中测量检测率。在本发明中手动计数正确的检测帧的数量，如果检测车道在实际车道标记上并且它们的弯曲方向正确，则确定检测帧是正确的。在大多数情况下，检测率接近95％，即使在较差的照明条件下，检测率仍然大于93％。平均检测率为96.37％，如图4所示。所提出的车道检测算法的性能不受照明变化的很大影响。此外，在本发明中模拟其他车道检测方法[m.aly,“realtimedetectionoflanemarkersinurbanstreets,”inproc.ieeeintell.veh.symp.,jun.2008,pp.7–12.][a.borkar,m.hayes,andm.smith,“anovellanedetectionsystemwithefficientgroundtruthgeneration,”ieeetrans.intell.transp.syst.,vol.13,no.1,pp.365–374,mar.2012.]来与本文提出的方法车道线检测率比较。两种对比算法都基于一种梯度特征和逆透视映射(ipm)。每种方法的泳道检测率如图5所示。对于在本发明中的数据库，aly的方法的检测率约为72％，因为它不考虑环境变化和弯曲的车道。borkar等人的方法基于自适应阈值，表现出比aly更好的性能，但是仍然在81％左右。基于ipm的车道检测方法容易对前方车辆进行错误检测，因为ipm将前方车辆变换为类似于车道组件。本发明的方法显示出最佳性能，并且当使用本发明的梯度增强图像时，每种方法的车道检测率提高10％以上。这种提高是因为对比方法也使用一种梯度特征。这意味着所提出的梯度增强方法可以应用于基于梯度特征的其他车道检测方法，以提高环境鲁棒性。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

总体而言，本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任意组合实施。一些方面可以以硬件实施，而其它一些方面可以以固件或软件实施，该固件或软件可以由控制器、微处理器或其它计算设备执行。虽然本公开的各种方面被示出和描述为框图、流程图或使用其它一些绘图表示，但是可以理解本文描述的框、设备、系统、技术或方法可以以非限制性的方式以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算设备或其一些组合实施。

此外，虽然操作以特定顺序描述，但是这不应被理解为要求这类操作以所示的顺序执行或是以顺序序列执行，或是要求所有所示的操作被执行以实现期望结果。在一些情形下，多任务或并行处理可以是有利的。类似地，虽然若干具体实现方式的细节在上面的讨论中被包含，但是这些不应被解释为对本公开的范围的任何限制，而是特征的描述仅是针对具体实施例。在分离的一些实施例中描述的某些特征也可以在单个实施例中组合地执行。相反对，在单个实施例中描述的各种特征也可以在多个实施例中分离地实施或是以任何合适的子组合的方式实施。