李 梦

（安徽信息工程学院机械工程学院，安徽芜湖241000）

随着无人驾驶技术的不断发展，车道线的检测与跟踪逐渐成为研究热点，很多学者都提出了车道线识别与跟踪算法。庄博阳等［1］根据连续视频帧之间的时间相关性，利用光流对车辆前方背景的相对移动进行了检测，结果表明分辨率为（1 280×720）像素的图像的处理速度为24.81帧/s。王其东等［2］基于近视野车道直线信息与双曲线拟合方法，对弯道车道线进行了识别和寻优，实验结果表明：对分辨率为（640×480）像素的图像中车道线的平均识别率达91%以上，雨雾天气下车道线的识别率达84.5%以上。蔡英凤等［3］通过计算兴趣区域（region of interest，ROI）灰度各向结构张量的旋度，选择变化趋势最大的像素点作为特征点，利用霍夫变换（Hough transform，HT）来识别车道线，识别准确率达94.72%以上。段建民等［4］提出了一种基于改进简单图像统计阈值算法的车道线识别算法，利用兴趣区域来确定车道线的相对位置，结果表明该方法对单车道的识别准确率可达96.40%。王超等［5］利用霍夫变换和最小距离法求解预定区域内的消失点，并建立了梯形兴趣区域，通过垂直分割图像和搜索车道线位置来进行车道线识别，结果表明车道线的平均识别准确率达94.70%以上。曹月花等［6］通过改进SUSAN（smallest univalue segment assimilating nucleus，最小单值段同化核）算子对夜间昏暗道路进行边缘增强，以降低环境噪声的干扰；同时利用反射模型消除道路积水中光反射的影响，以提高识别准确率。陈无畏等［7］提出利用投票机制检测两侧车道线远方汇聚消失点，根据梯度方向投影计数获得车道线上的边缘点，并对置信度高的2个点进行直线拟合，实现车道线识别。……