【论文解读】A review of recent advances in lane detection and departure warning system（车道线检测综述）

Pattern Recognition 2017
原文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320317303266

1 流程图

camera：从相机拍摄的视频中提取frame，feed到检测系统里；
Lane modeling 作用：当lane检测系统fails to detect road lines or interprets other objects such as guardrails护栏 as a lane marking，提供lane marking的位置、角度、曲率信息；
预处理：压缩失真变形，增强图像特征；
颜色转换：only consider gray level component；
ROI：减少冗余的图像信息；
特征提取：颜色、纹理、边缘…constant width of lane marking, gradients at the marking
车道线检测：line segments are detected from the edge map then detected line segments either classified as left or the right side of lane marking或者彻底剔除，lane verification去除false lane marking(如交通标志，斑马线，护栏)
Lane tracking：用于变道，从上一帧车道位置预测下一帧lane marking位置

2 环境变化

lane marking种类：well defined：公路，实线、虚线、圆形反光镜、物理障碍；not well defined ：城市道路；背景基础设施或者交通工具会造成车道线不连续
路面：车道线是否清晰或者低强度对比度
阴影：保护阴影区域和无阴影区域，阴影会导致错误的边缘创建
照明变化：自然光的改变：天气和时间；人工光：路灯、车头尾灯
夜景：车道线可见度降低，难点是这些灯光造成的干扰边缘提取，车前灯会导致图像不同部分会有不同的对比度
雨天：图像对比度减弱造成干扰边缘，不同的强度等级
雾天：lane marking和路面的对比度降低

3 预处理

预处理可以减少计算时间，提升算法结果，并可用于去除由于不稳定的相机运动造成的传感器噪声和误差。

为了实现平滑操作，可使用均值、中值或高斯滤波器。为了保留细节并去除不必要的噪声，Xu和Li等人用中值滤波器过滤图像，然后用图像直方图增强灰度图，为了适应不同的光线条件，在预处理阶段使用自适应阈值，自适应阈值是用的Otsu’s算法，然后去除二值转换形态操作（比如erosion and dilation ）带来的图像中的噪点。

论文提出一种分段线性拉伸函数（PLSF），是为了增强昏暗环境下的车道线图像对比度，这个函数展现了对于不同车道线颜色的稳健的性能，有助于提高不同照明条件下的准确度。

在论文中，在Otsu’s阈值前使用FIR滤波器，有助于避免非均匀背景照明的影响，然后进morphological operations来确定连接对象和较小的区域被去除，消除路面污点，得到准确的边界。

论文阈值 λ T {\lambda _{\rm{T}}} λT由输入图片的直方图计算得到，因为 λ R < λ T < λ L {\lambda _{\rm{R}}} < {\lambda _{\rm{T}}} < {\lambda _L} λR<λT<λL， λ R 、 λ L {\lambda _{\rm{R}}}、{\lambda _L} λR、λL是分别是路面（ λ R = λ min ⁡ {\lambda _{\rm{R}}} = {\lambda _{\min }} λR=