车道检测方法综述

车道检测方法综述（精选四篇）

车道检测方法综述 篇1

单车道在城市道路通行中扮演着重要的角色, 提高了城市道路通行水平, 有效地缓解了城市交通拥堵。然而随着单车道的作用日益增强, 伴随的安全隐患越来越受到人们的重视, 而逆行违章事件又是造成单车道通行安全隐患的重要原因, 如何有效地发现逆行现象, 并及时制止, 从而防止由于逆行所造成的人员和财产损失, 一直作为智能交通领域中的1个热点问题, 有着巨大的商业价值和经济效益。

传统的检测技术如环形线圈、微波检测器以及光电检测器等由于受到自身部件寿命、维护成本等因素的影响, 越来越不适应城市交通的发展要求[1]。近年来, 随着计算机存储能力、信息处理能力的大幅提升以及计算机视觉技术的快速发展, 使得基于视频处理的优势变得日趋明显, 同时为解决单车道车辆逆行自动检测提供了途径, 并取得了一定的成果[2,3,4]。然而在这些成果中, 为了追求更高的精度, 使得算法更加复杂化, 无形中增加了运算量, 降低了处理速度, 在需要实时处理的应用中得不偿失。因此, 笔者在上述理论成果基础之上, 以处理速度为前提, 提出了单车道车辆逆行自动检测方法, 并与文献[2]中方法作为对比方法, 从逆行检测正确率和计算时间2个方面做了对比实验, 从而验证了笔者所研究方法的准确性和快速性。

1 背景差分检测车辆

基于视频的车辆检测方法有背景差分法、光流法、运动矢量法和边缘检测法等[5]。文献[5]从鲁棒性、准确性和运算量等方面对这几种车辆检测算法做了性能对比, 见表1。由表1可见, 背景差分法可以在满足准确性和鲁棒性基本要求下, 有着较快的处理速度, 因此, 笔者使用背景差分法检测出运动的车辆, 对其跟踪, 求得运动轨迹, 从而判断是否逆行。

背景差分法使用当前帧与背景对应像素相减, 然后二值化差值图像, 从而使得差值较大的像素被保留, 认为是运动车辆区域。在使用背景差分法检测运动车辆的过程中需要对背景进行更新[6], 以提高检测精度。考虑到运算量, 背景更新结合相邻帧的差分来实现, 具体步骤如下。

步骤1。计算背景差分图像和帧间差分图像。

式中:fn (x, y) , fn+1 (x, y) 为相邻2帧图像;bn (x, y) 为第n帧的背景图像;dl (x, y) 为求得的帧间差分图像;dh (x, y) 为背景差分图像。

步骤2。对上述求得的帧间差分图像和背景差分图像二值化处理, 求得二值化图像Fl (x, y) , Fh (x, y) 。

步骤3。利用Fl (x, y) , Fh (x, y) 相与, 求得运动区域图像Yn (x, y) , 即

步骤4。使用是否存在运动区域来决定是否更新背景bn+1 (x, y) , 即

式 (6) 表示当存在运动车辆时, 不需更新背景;当没有运动车辆时, 需要实时更新背景。

通过上述4个步骤可以实时地进行背景更新, 同时通过式 (2) 和 (4) , 使用背景差分可以检测运动车辆。在检测出运动车辆后, 需要对目标车辆进行跟踪, 以便最终判断其是否为逆行驾驶。

2 基于改进Mean-shift的车辆跟踪

2.1 Mean-shift算法原理分析

Mean-shift算法是目前目标跟踪领域中的主流算法, 它是1种无参数核密度估计方法, 由于具有实时性、鲁棒性以及易于实现的特点, 已在视觉跟踪领域得到了广泛的研究和应用[7,8,9]。对于Mean-shift目标跟踪, 首先需要对目标和候选目标建立模型, 而目标与候选目标的模型往往是对目标区域的图像特征进行统计而得到离散概率密度函数, 即归一化的直方图向量。假定目标中心位于坐标系原点, 目标区域由n个像素点{xi}, i=1, …, n构成, 其中xi= (xi, yi) 为像素坐标, 则该目标的颜色直方图模型为

式中:u为目标模型中的特征, u=1, 2, …, m;δ为Kronecker delta函数;h为窗口带宽矩阵, 用来限制要考虑的候选目标像素个数;b (xi) 为xi所对应的特征u的像素值;k (·) 为高斯核轮廓函数;Ch为归一化系数, 见式 (8) , 其保证了。

假定y为候选目标中心的图像坐标, 则位于位置y的候选目标的模型可由下式定义

在由式 (7) 和 (9) 表示目标模型和候选目标模型后, 采用Bhattacharyya系数来度量目标模型和候选区域间的相似性程度

的值越大, 则其表示的相似度越大。Mean-shift目标跟踪的关键是在图像平面位置y, 使目标与候选目标在所选特征的距离空间内取得最小距离, 也即使式 (10) 取得最大值。给定目标在当前帧的初始位置y0, 结合泰勒公式, 可以计算出Mean-shift算法当前迭代停止位置, 也即偏移向量为

式中:yk为目标在第k帧中的位置;g (·) =-k′ (·) 为核函数的负导数;wi为权系数, 由式 (12) 给出。

在每帧选定初始位置, 通过式 (11) 计算偏移向量, 将目标移动到新位置, 重复该过程直到收敛, 这样便可实现Mean-shift算法的目标跟踪。

2.2 改进Mean-shift算法

Mean-shift算法通过建立目标模型和候选模型的颜色直方图, 然后比较两模型的相似度来实现目标跟踪, 很显然, 当目标的颜色和背景颜色的相似度较高时跟踪精度就会降低。为了进一步提高Mean-shift算法的跟踪精度, 文献[10]提出1种改进的Mean-shift方法, 此方法虽提高了跟踪的精度和鲁棒性, 但是分块的标准和过程增加了运算量;文献[11]使用多特征融合来实现跟踪, 其在一定程度上加大了目标与背景的可分性, 但是过程比较繁琐, 运算量较大。笔者以整个算法的运算量较小为前提, 将Harris角点特征[12]引进Mean-shift算法中, 在一定程度上提高Meanshift算法跟踪精度的情况下, 使得算法运算量没有较大地增加。

Harris角点检测是1种基于灰度图像亮度变化的角点检测算法, 其运算量较小, 对光照变化、旋转变化、部分放射变化以及噪声干扰具有较好的鲁棒性, Harris算法的优点在于它所提取的目标特征与背景环境具有明显地可分性, 因此, 将Harris算法提取的角点特征与Mean-shift中所用的颜色特征融合, 可以有效地提高算法的跟踪精度。改进后的方法只需原Mean-shift算法在使用颜色特征时, 将Harris角点特征加进去, 以此计算直方图模型。假定目标初始位置为y0, 目标估计位置为, 那么改进的Mean-shift算法具体步骤如下。

1) 使用Harris算子在定义的目标区域中检测角点, 并计算颜色直方图, 建立目标模型q。

2) 在以y0为中心的候选区域内, 使用Harris算子提取角点, 计算角点颜色直方图, 建立候选目标的直方图向量p (y0) , 并计算与目标模型的相似度ρ[p (y0) , q]。

3) 根据式 (11) 计算偏移向量, 找到目标下一次迭代的新位置。

4) 计算候选目标在新位置上与目标模板的相似度。

5) 当成立时, 赋值:, 并计算。

6) 如果, 停止本帧跟踪;否则设定, 返回步骤3) 。

使用改进Mean-shift算法对车辆跟踪结果见图1。

3 车辆逆行检测

在跟踪车辆的同时, 可以获得运动车辆的形心轨迹, 通过对形心轨迹的处理, 即可判断车辆是否存在逆行。所研究的单车道视频的车道线和架设的摄像机方向一致, 且摄像机是面对驶来车辆架设。假设x轴正方向是垂直向下的, 那么车辆正常行驶时, 其形心坐标的x轴坐标是递增变化的, 以此来完成车辆是否逆行的检测。如图2 (a) 所示, 图2 (a) 中横坐标代表了视频帧的序列数, 纵坐标为形心x轴坐标值。假设得到的目标车辆形心轨迹为{C[i], i=1, 2, …, n}, 则在理论上, 当C[k+1]-C[k]<0时为逆行, 其中k表示视频帧序列数。由于视频背景较复杂, 干扰因素较多, 所以采用多帧判断是否逆行来减少由于干扰引起的误判。设定阈值N, 当逆行方向次数M超过阈值N时, 即判断目标车辆为逆行, 用式 (13) 表示。

图2 (b) 显示的是存在逆行时的车辆形心x轴坐标轨迹曲线, 从图2 (b) 曲线中可以看到, 曲线满足C[k+1]—C[k]<0, 这说明目标车辆为逆行违章。

注:图2纵坐标数值指的是图像中第n行 (图像数字化后为-矩阵, 其横纵坐标-起表示了在矩阵/图像中的位子)

4 实验结果分析

为了验证笔者所研究方法的准确性和快速性, 与文献[2]作为对比方法, 以4段视频图像为实验对象, 从逆行检测正确率和计算量2方面进行了对比实验。

4.1 检测正确率对比

笔者所研究方法和文献[2]方法的逆行检测结果见表2、表3。由表2、表3可见, 笔者所研究方法检测车辆逆行的平均正确率达到约87.55%, 文献[2]中方法平均正确率达到约88.875%。因此, 在检测准确性方面, 2种方法基本相当。

4.2 计算时间对比

计算2种方法的平均每帧计算时间, 并统计于表4。从表4中可以看出, 笔者所研究方法平均每帧计算时间比文献[2]少约19.56 ms, 更具快速性, 在需要实时性要求的场合, 会更加体现出笔者所研究方法的优越性。

5 结束语

通过背景差分检测运动车辆、改进Meanshift算法跟踪目标车辆和处理运动轨迹3个步骤, 完成对单车道车辆逆行违章的检测, 取得了良好的实验效果。通过实验验证, 笔者所研究方法在检测准确率与对比方法基本相当的条件下, 其计算时间更短, 更具实时性, 可以应用于实时车辆逆行检测。

参考文献

[1]熊昕, 徐建闽.基于速度分类算法的交通事件视频检测系统设计[J].交通信息与安全, 2013, 31 (2) :114-118+133.

[2]Chen X, Zhang Z H, Lu T J.A collecting and distribution system of urban traffic information based on video events detection[J].Advanced Materials Research, 2011 (204) :1544-1548.

[3]Wu J, Cui Z, Chen J, et al.A survey on videobased vehicle behavior analysis algorithms[J].Journal of Multimedia, 2012, 7 (3) :223-230.

[4]郭锋, 王秉政, 杨晨晖.复杂背景下车辆跟踪的改进算法及逆行检测[J].图学学报, 2013, 34 (4) :150-153.

[5]张晖, 董育宁.基于视频的车辆检测算法综述[J].南京邮电大学学报:自然科学版, 2007, 27 (3) :88-94.

[6]曾炎盛, 马寿峰, 钟石泉, 等.基于视频检测的交通冲突判别方法和模型[J].交通信息与安全, 2012, 30 (4) :11-14+61.

[7]Ning J, Zhang L, Zhang D, et al.Robust meanshift tracking with corrected background-weighted histogram[J].Computer Vision, IET, 2012, 6 (1) :62-69.

[8]Zhou H, Yuan Y, Shi C.Object tracking using SIFT features and mean shift[J].Computer Vision and Image Understanding, 2009, 113 (3) :345-352.

[9]Leichter I, Lindenbaum M, Rivlin E.Mean shift tracking with multiple reference color histograms[J].Computer Vision and Image Understanding, 2010, 114 (3) :400-408.

[10]胡铟, 杨静宇.基于分块颜色直方图的MeanShift跟踪算法[J].系统仿真学报, 2009, 21 (10) :2936-2939, 2955.

[11]云霄, 肖刚.基于Camshift的多特征自适应融合船舶跟踪算法[J].光电工程, 2011, 38 (5) :52-58.

车道检测方法综述 篇2

水电工程施工质量物探检测方法应用效果综述

本文是<水电工程施工质量物探检测方法简介>(第1期发表)的续篇,主要是通过工程物探检测方法应用的典型实例,来阐述其应用效果.

作 者：张建清 陈敏 陆二男 周习军 刘润泽 刘鸿兴 凌巍  作者单位：长江设计院长江工程物探检测公司,武汉,430010 刊 名：水利技术监督 英文刊名：TECHNICAL SUPERVISION IN WATER RESOURCES 年，卷(期)： 17(2) 分类号：P631 关键词：水电工程   质量评价   无损检测   应用效果  

电力系统谐波和间谐波检测方法综述 篇3

【关键词】电力系统；谐波；间谐波；检测方式

前言

电的发明方便了人们的生活和生产。电力系统供电和输送电的主要系统，其是由发电厂、送变电线路、供配电所和用电等环节而组成的电能生产与消费系统[1]。电力系统的正常运作是维持我国用电正常的关键因素。因此，在其日常维护和检测过程中需要具有良好的检测系统和检测方式，这样才能够更好的保障其使用安全性，维持我国整体电力系统的使用。但是，在其检测过程中为进一步维持供电和电网信号的稳定，需要对其进行随机性、平稳性检测，这样才能够起到检测作用。因此，谐波和间谐波成为其检测的主要方式。对谐波和间谐波检测过程中受到各种因素的影响，其准确性上也存在一定的差异。因此，学者对谐波和间谐波的检测方式进行了临床研究。

一、谐波和间谐波的检测方法综述

针对当前我国对电力系统谐波和间谐波检测方式进行临床研究，将其检测方式主要分为频谱泄露和栅栏效应两种方式，且其两种方式在其算法上存在不同对检测结果会造成不同的影响。频谱泄露主要是指对频率在fs的正弦序列的离散谱进行测量。在正常情况下fs的正弦序列只有在该处具有离散谱，如果其在其余序列上具有离散谱，则说明产生了频谱泄露。其中崔晓荣，曹太强，王汇灵在其研究过程中针对频谱泄露检测方式对电力系统进行检测，并且在其实验过程中采用模型建立的方式对频谱泄露检测方式的准确性进行了分析[1]。其研究结果显示频谱泄露检测方式虽然能够根据其离散谱产生的位置确定电力系统的信号是否稳定，是否产生泄露，但是在其应用过程中受到相关检测环境内电磁信号的影响，会对其产生一定的影响。因此，其检测方式的准确率为86.39%，在对其进行应用过程中需要采用修正检测的方式对其进行测量检测和结果修正，从而提高检测准确率。

栅栏效应主要是指在对其信号进行检测过程中将其频谱设定为栅栏状态，透过栅栏能够确定频谱的一部分，从而将采取的样本信号进行FFT计算，最终获取其离散频率。栅栏效应在其应用过程中主要是利用其栅栏漏掉频谱进行计算和检测。其中丛超，胡全义，王慧武在其研究中采用栅栏效应检测方式对谐波和间谐波进行检测，并且将其检测结果进行准确率分析，研究结果显示其准确率为87.69%。由此得出使用栅栏效应对电力系统信号进行检测过程中虽然能够对其系统的谐波和间谐波进行检测，但是其检测准确率上需要对其进行补充样本的制定，从而满足电力系统检测需求。

二、谐波和间谐波检测关键问题综述

针对当前我国过对频谱泄露和栅栏效应两种检测方式进行研究发现，其在检测过程中受到检测方式和环境因素的影响，会对检测结果造成一定的影响。因此，针对谐波和间谐波检测关键问题研究的文献进行综述。其中黄传金，曹文思，陈铁军，等在其研究中指出对谐波和间谐波进行检测过程中会产生含量小，对频谱泄露的影响敏感度较低的现象，经常产生被谐波所淹没的现象[3]。在其研究中针对这一问题对其使用频域插值法，根据谐波峰值点附近的谱线进行函数测量，从而确定其蚕食指时候满足谐波的参数值。经过实践检测研究发现二者之间存在差异性，负频率部分对正频率部分频谱的影响[3]。由此能够看出，在对电力系统谐波和间谐波进行检测过程中考虑二者产量较小，对频谱泄露影响不敏感的问题。

肖助力，龚仁喜，于槟华，等在其研究中通过利用实践检测的方式对谐波和间谐波检测中存在的问题进行研究，研究结果显示其存在当间谐波数量较多时，频谱之間会产生一定的干扰[3]。在其实验研究过程中利用时域频域结合的方式对其谐波和间谐波检测流程和信号检测周期进行重新确定和分析，分析当谐波数量较多时，频谱之间干扰关系。计算结果显示利用时域频域结合的方式对其进行样本采取能够有效的改善这一问题。综上所述在对谐波和间谐波检测的过程中应该采用合理的样本检测方式从而减低二者之间的干扰关系。

总结：根据本文的研究中得出当前我国对电力系统谐波和间谐波检测方式主要有频谱泄露和栅栏效应另种方式。在使用其进行检测过程中需要对其存在的问题进行处理，从而提高测量的准确性。

【参考文献】

[1]崔晓荣，曹太强，王汇灵.电力系统间谐波检测方法现状与发展趋势[J].电测与仪表，2012，05（01）：6-10.

[2]丛超，胡全义，王慧武.一种基于混沌振子的电力系统谐波检测新方法[J].电力系统保护与控制，2015，15（03）：7-16.

[3]黄传金，曹文思，陈铁军，等.局部均值分解在电力系统间谐波和谐波失真信号检测中的应用[J].电力自动化设备，2013，09（01）：68-73.

车道检测方法综述 篇4

据有关部门统计,2008年道路交通事故死亡7.3万人,受伤30万人,经济损失逾10亿元。因此,研发一种具有行车安全综合保障系统的智能车,当驾驶员发生驾驶疲劳以及精神分散,使车辆出现无意识的车道偏离或车辆安全车距过小时,能给予驾驶员辅助预警。机器视觉由于其低廉的价格和蕴含丰富的信息,已经被充分利用在智能车的行车安全系统中。智能车在标准等级公路上安全行驶必须具备三个基本条件:车道线检测、障碍物检测和车辆定位[1]。其中车道线检测主要应用于车辆的横向控制,近年来受到研究学者的广泛关注。本文提出了一种基于Hough变换的汽车前方车道线的检测方法,先利用亮度特征动态寻找感兴趣的道路区域,再结合最优阈值对道路图像进行边缘检测,最后用Hough变换检测出直线模型的车道线,取得了很好的检测效果。

2 最优阈值的选取[2,3]

最优阈值是希望尽可能的减小误分割概率,即背景和目标区域的勿检测率。设一幅带有高斯噪声的图像,背景的概率密度分布1p(z)和目标的概率密度分布p2(z)分别为

则整幅图的混合概率密度p(z)是

其中µ1和µ2分别为背景和目标区域的平均值,σ1和σ2为标准差,1P和2P为先验概率。最优阈值选取示意图如图1所示。

从图像中可知,背景为灰色,灰度值小,目标图像为白色,灰度值大,即µ1<µ2。需确定一个阈值HT,使得灰度值小于HT的像素分割为背景而灰度值大于HT的像素分割为目标。这时,错误的将目标像素划分为背景的概率和将背景像素划分为目标的概率称为误分割概率,其概率分别为

而总的误差概率为:

为使总误差E(T H)最小,可以将E(T H)对TH求导,并令导数为零,同时整幅图像的噪声来自同一个噪声源,可得σ1=σ2=σ,这样可以得到

通常根据图像灰度直方图推算出会和概率密度函数的参数,再通过上式计算出最优阈值。理想情况下,当先验概率P1=P2或者方差为零时有

3 H o u g h变换的原理[2,3]

Ho u g h变换的基本思想是建立图像空间与参数空间的映射关系,将研究对象从图像空间中的目标转化为参数空间中对应的参考点。如图2所示,直线可用极坐标方程表示

其中λ为该直线到原点的距离,θ是过原点到该直线的垂线与X轴正向的夹角,表明直线的方向。相对于原图像空间XY,参数λ和θ构成新坐标系为参数空间ΛΘ。原图像空间中的每个点对应于新参数空间中的一条正弦曲线,原图像中的一条直线对应参数空间中所有的正弦曲线经过同一点,如图3所示。图像空间中点1、3、5的所对应的参数空间正弦曲线交于S点,表明点1、3、5处在同一直线上;点2、3、4所对应的正弦曲线交于T点,则点2、3、4亦处于同一条直线。

在实际的应用中,首先对参数空间中的参数λ和θ的可能取值范围进行量化,根据量化结果构造一个累加器A(λmin:λmax,θmin:θmax),并初始化为零;再对图像空间中的给定点让θ取遍所有可能值,用关系式(1)计算出λ,根据λ和θ的累加器:A(λ,θ)=A(λ,θ)+1;最后根据累加器A中最大值所对应的λ和θ确定原图像空间中的目标直线。

4 基于Ho ug h变换的车道检测算法

在进行车道线检测前,首先假定获得的图像满足如下条件:

1)路面是平坦的;

2)车道线是直线,且在大地坐标中相互平行;

3)车道线方向与行驶方向不垂直;

4)车道线比道路亮,即道路图像中车道线灰度值比车道路面的灰度值大。

基于Hough变换的车道线检测算法处理过程如图4所示。

4.1 图像预处理

经CCD采集的道路车道图像一般是24位真彩色的JPE G图像,为方便后续处理,首先应将彩色图像转化为灰度图像;然后根据图像的亮度特征动态寻找的道路区域与背景区域的分界线,选取感兴趣区域,即道路区域;最后计算图像的灰度最优阈值,并用Sobel算子对图像进行边缘检测。

4.1.1 图像灰度化

通过CCD摄像头采集道路图像,原始图像为一帧帧的彩色图像,其颜色模型为RGB模型。由于处理彩色图像数据量大不利于系统的实时性,于是先将彩色图像转换为灰度图像。每个像素的灰度值可以由下式计算得到

其中Vr,V g,Vb分别为该像素点的红色,绿色,蓝色亮度值。Vgray为灰度化后该像素的灰度亮度值。

4.1.2 选取感兴趣区域[4]

分析图像垂直像素的灰度曲线图,可以发现:从背景区域(天空,灰度值大)到道路区域(灰度值小),相邻的像素灰度值有跃变的过程。如图5(b)所示,取原始图像第40列垂直像素灰度曲线,在垂直像素98左右灰度值向下跃变,即为道路区域与背景区域的分界点。该分界点对应的水平直线被认为是分界线所在,如图5(c)所示。舍弃分界线上面的背景区域,分界线以下的图像部分定义为感兴趣区域,如图5(d)所示。

4.1.3 Sobel算子边缘检测[5]

由于图像灰度的变化情况可以用图像灰度的梯度来反映,因此可以用局部图像微分技术来获取边缘检测算子。定义梯度为

定义梯度的幅度为

为了便于计算,通过绝对值近似计算,得

基于以上理论基础,提出了许多算子,本文采用Sobel算子。Sobel边缘检测是一种非线性的边缘检测算法,效率很高,用途广泛。Sobel边缘检测的基本方法是对图像f(x,y)的每个像素,考察它上下左右邻点灰度的加权值,与之接近的邻点的权大。Sobel算子定义如下

卷积算子为

选取适当的阈值TH,当e(x,y)≥TH时,(x,y)为阶跃状边缘点,集合{e(x,y)}为边缘图像,Sobel算子边缘检测效果如图6所示。

4.2 基于Hough变换的车道线检测

原始图像经过图像预处理以后,可以看到分道线虽然被分割出来,但是仍存在许多噪声不能一次性去掉。由于拍摄到的图像是近视野图像,因此,将图像中的道路边缘和路径可近似地视作直线,所以利用Hough变换进行道路边缘提取。

记边缘检测后的二值图像大小为M×N,像素点(x i,yi)的灰度值为I(x i,y i),在参数空间中θ在[0,π)间均匀地取P个离散点,ρ的采样个数为Q,则Houg h变换可表示为

其中,p=0,1,L,P-1;q=0,1,L,Q-1对二值图像进行Hough变换,得到如图7(a)所示的参数空间,找出参数空间累加器A(λ,θ)的几个极大值,本文中取6个,对应原图像中的6条直线。由于6条直线中存在干扰信息,需要把不必要的直线信息剔除,提出下面两个约束条件[6]:

(1)直线AB的斜率为负,直线CD的斜率为正;

(2)由于检测当前的车道分割线,因此AB与CD的夹角S在几条分道线的夹角中为最小(斜率为正与斜率为负的分道线的夹角)。

基于上述两个约束条件,对应得到两条当前车道线并延长,然后使该车道线作用于原图像,如图7(b)所示,车道线检测成功。

5 实验结果

为了验证算法的效果,本文在Matlab 7.0平台下完成了基于Hough变换的汽车前方车道线检测实验。本文采用的实验数据是高速公路上拍摄得到的150张大小为352×288标准等级公路图像。经图像处理后准确检测出车道线的有137张,检测率为91.3%,平均每张图像处理的时间约为0.3s。检测效果如图8所示。

其中:图8(a)为有障碍物道路图像车道线的检测;图8(b)为能见度低的道路图像的车道线的检测;图8(c)为带有噪声道路图像车道线的检测;图8(d)为右下角有道路干扰信息的道路图像车道线的检测。实验表明:用Hough变换来检测车道线,具有很强的鲁棒性和抗干扰性。

6 结束语