摘要：
边界点的粒子滤波是估计车道的可靠方法。
本文介绍了一种与这种基于颗粒填充剂的方法相对应的新车道模型，该模型可以轻松检测各种车道。
欧几里德距离变换的修改版本从鸟瞰角度应用于道路图像的边缘地图，以提供用于边界点检测的信息。
还讨论了一种有效的车道跟踪方法。这种距离变换的使用利用了车道检测情况中的有用信息，极大地促进了粒子过滤器的初始化以及车道跟踪。最后，本文用实验证据对车道检测和跟踪进行了验证。
1 Introduction
车道检测对重要的驾驶员辅助系统（DAS）起到了很大的作用，它可以帮助估计前方道路的几何形状以及自我车辆在道路上的侧向位置。有关车道检测算法的完整概述，请参阅[4]。 “通常，要在各种情况下（尤其是在复杂的城市环境中）稳健地检测车道，这是一项艰巨的任务。
本文介绍了一种用于车道检测和跟踪的新的弱（即不假设车道的整体形状）道路模型。
该新模型没有限制全局道路几何形状，而是仅限制左右车道边界上的点之间的关系。
基于鸟瞰图上这些点的跟踪（使用粒子过滤器）可提供车道检测结果。
利用该距离变换的一些有益特性进行车道检测和跟踪，本文还为粒子滤波器指定了一种创新的初始化方法。
本文的组织方式如下：第2节介绍了模型，第3节介绍了标准欧几里德距离变换的修改版本及其对车道检测的实用性。第4节和第5节介绍了车道检测和跟踪方法。第6节给出了实验结果。最后，给出了结论。
图1.本文使用的车道模型
（a）3D车道视图；边界以粗体绘制。
（b）输入图像中的2D车道透视图。
（c）车道的鸟瞰图。
在3D视图和鸟瞰图像中显示了倾斜角β1和β2。
3D和投影视图中的the zenith angle α天顶角α。
2 A New Lane Model
新的车道模型如图1所示。
五个参数xc，yc，α，β1和β2用于分别建模位于左或右车道边界上的相对点PL和PR。
PC =（xc，yc）是地平面上的（虚拟）中心线点。
α是PC上方的天顶角，由PC和固定长度H的天顶PZ之间的直线段向上定义，并且是一条与PZ以及PL或PR入射的直线。
β1和β2是短线段L1和L2与地平面中的垂直线之间的倾斜角；两个短线段L1和L2由固定长度和车道边界处的边缘的局部近似值定义（例如，在点跟踪）。
理想情况下，L1和L2应与点PL和PR处车道边界上的切线重合；在这种理想情况下，β1和β2将是这些点处车道边界的切线方向与垂直线之间的角度。
通过应用该模型，可以通过两个车道边界来识别车道，并沿着鸟瞰图像中的边界跟踪点。该模型不使用关于车道几何形状的任何假设，并且适用于各种车道。
3 Distance transform
距离变换应用于二进制边缘图，该二进制图以距最近边缘像素的距离标记每个像素。
通常，欧几里德距离变换（EDT）是首选；使用欧几里德度量形式可确保像素之间的距离。
文献[7]中提出了一种改进的EDT，称为定向距离变换（ODT）。该方法将欧几里得距离分为行和列方向的一个贡献分量。
ODT为每个像素分配了复数，其中行方向的距离分量为实数，
并且将列方向上的距离分量作为虚部。
请注意，行方向上的距离分量是带符号的，正值表示最近的边缘点位于右侧，负值则位于左侧。
有关ODT和EDT之间的关系，请参见图2。
本文仅使用行方向上的欧几里得距离，我们称其为真实方向距离变换（RODT）。
我们的应用程序中的EDT和ODT的示例如图3所示。
我们的边缘地图的RODT提供了很多好处。
首先，车道检测的初始化变得更加容易（将在4.1节中讨论）。
第二，虚线车道标记与RODT中的连续车道标记没有区别，如图3中矩形区域的比较所示。
第三，与边缘图相比，距离变换提供了有关中心线的更多信息。
通常，车道中心线上的（非边缘）像素在到车道边界的距离上具有局部最大值。
因此，结合第2节中介绍的车道模型，具有高距离值的点很可能成为中心线点PC。
以下各节将讨论RODT的这些属性的有用性。
4 Lane Detection Using a Particle Filter
对于单个图像中的车道检测，如[5]中所述，使用粒子滤波器跟踪沿车道边界的点。
虽然，基于应用于鸟眼边缘图的距离变换，采用了新颖的初始化方法。
车道检测的整个过程如图4所示。
该算法从映射输入图像到鸟瞰图开始，如[1]中所介绍的边缘检测方法，被选择用于检测类似车道标记的边缘。
对生成的边缘图进行二值化后，将应用RODT。
由此产生的距离图使我们能够设计一种新颖的初始化方法来查找初始边界点。
这些点用于初始化粒子滤波器的参数，以跟踪整个图像中的其他边界点；最终被检测到。
4.1 Initialization
初始化步骤的目的是为指定的模型定义初始值（例如，所选图像行中的点PL和点PR的x坐标）。
在[5]中，使用了一个聚类的粒子过滤器，以找到在边界处的起始点。
我们充分利用距离图来查找
第一个左，第一个右边界点。
在鸟瞰图像的预定义，从行（靠近底部） 开始，进行搜索，
从该行的中间 开始，对于一个具有正距离值，但对其左邻居处具有负距离值，的像素。
当找到这样的像素时，知道了开始行中的左/右边界点。
When such a pixel is found, the left and right boundary points in the start row are instantly known using the distance value of the found pixel and of its left neighbor.
对于粒子滤波器的初始状态X0（xc0，α0，β10，β20），通过使用检测到的左右起点将xc0和α0初始化，而将β10和β20简单地设置为零。
4.2 Particle filter for lane detection
粒子滤波器广泛用于车道检测和跟踪，例如[5,6]，本节讨论了用于新车道模型的粒子滤波器，要跟踪的状态向量为 由车道模型的参数定义，没有yc，
因为yc将通过应用固定的步长Δ递增地计算，从鸟瞰图像的yc0行开始。
对于粒子过滤器的应用，下面讨论两个模型。
动态模型。
动态模型A用于定义图像中粒子的运动。
预测值，通过使用从生成。
我们简单地以A为单位矩阵
因为车道边界的假定平滑度。
观察模型。
观察模型确定了Seach粒子用于重新采样的重要性因子。
根据结合了新模型的RODT信息，
合理地假设点（xcn，ycn）的距离值较大，
L1和L2与短线一致,它们都只有很小的距离值。
跟踪步长n由ycn =（yc0 + n·∆）标识。
我们根据预测的状态向量计算车道左边界点的横向位置，其中第i个粒子为
从现在开始，为简单起见，PL和PR仅代表边界点的横向位置。左侧位置的计算如下：
Next, the sum of the distance values along line segment L1 is as follows:接下来，沿线段L1的距离值之和如下：
这里d（·，·）是RODT的距离值，以同样的方式计算，我们得到第i个重要因子
对于中心线点，重要性因子等于
对于k = 1,2,3，其中μk和σk是常数。最终观测模型由以下因素给出
5 Efficient lane tracking
车道跟踪使用先前结果定义的信息来促进当前检测。
本节介绍一种有效的车道跟踪方法。
请注意，当检测到车道时（如第4节所述），它仅由两个序列{PLn：n = 0,1，…，N}和{PRn：n = 0,1，… ，N}在其左右车道边界上的点，在鸟瞰图像中。
在此，N由前视距离确定。然后将通过图像序列的车道跟踪简化为对这两个点序列的跟踪。
有效的车道跟踪仅使用先前检测到的车道边界点，然后根据自我车辆的运动模型对其进行调整，然后根据当前鸟瞰边缘图上RODT的值进行偏移。车道跟踪方案如图6所示。
在帧t中检测到，序列{P（t）Ln}和{P（t）Rn}，在时间t + 1处，已经部分偏离了，因为车辆运动。
{P（t +1）Ln}和{P（t +1）Rn}在时间t +1的检测过程包括三个步骤：
1、距离调整，adjustment caused by the driven distance
2、偏航角的变化，新点检测，
3、和偏移量要求，根据鸟瞰边缘图中RODT的值。
Because of the driven distance between frames t and t + 1, it holds (in principle)
that
Here, k is determined by the driven distance between time t and t +1, and is usually a small number.
Furthermore, points are obtained by adding some translation (according to n) caused by the variation in driving direction between t and t +1.
下面是一个约束：
因为 k很小，并且我们还假设边界边界的平滑度。
所以当前的起点与历史时刻的终点相同
为了进一步完善，根据先前在帧t的结果得出的预测和可能已经位于边界上的真实点附近，
因为在两个后续帧之间，车道的变化通常较小。
最后，通过从当前鸟瞰边缘图的RODT值中获得的信息，可以实现对所有N + 1点的调整。
6 Experiments
对用测试载具“ HAKA1”记录的图像和序列进行了实验
.enpeda …项目[8]的车辆“ HAKA1”。
车道检测的实验结果如图7和图8所示。考虑了不同的场景。请注意，有时检测到的车道边界有时会稍微弯曲。这是由于虚线车道标记的距离变换在列方向上略有不对齐 在鸟瞰图中（参见图3）。
使用有效车道跟踪方法的实验结果如图9所示。
除某些超出边界的异常以外，结果是完全可以接受的。
使用现成的计算机，有效车道跟踪调整步骤的计算时间可以忽略不计。
唯一可测量的时间是鸟瞰图映射，边缘检测和距离变换，并且可以高效地计算所有三个子过程。
本文介绍了一种新的弱模型，并使用基于粒子滤波器的单目相机进行了可行的车道探测方法。此外，本文提出并讨论了一种有效的车道跟踪方法。本文使用了一种（简单易计算的）距离变换技术进行车道检测和跟踪。 距离变换可以处理虚线车道标记，提供检测车道中心线的信息，找到粒子滤波器的初始值，并方便地调整跟踪结果。