交通运输部在2014年出台的JT/T 883-2014中有关LDW的标准引用了GB/T 26773-2011,中文标准名称:智能运输系统车道偏离报警系统性能要求与检测方法。英文标准名称:Intelligent transport systems ‘Lane departure warning systems’ performancerequirements and test procedures。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259748408188797.jpg)
此标准将LDW分为两级,1级为行驶速度每秒20米,即时速72公里,曲率半径不小于500米。2级为行驶速度每秒17米,即时速61.2公里,曲率半径为250米。乘用车最迟报警线位于车道外侧0.3米处,商用车为1米处。为了防止误报,也规定了最早报警线位置。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259748508837193.jpg)
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259748818292435.jpg)
与FCW一样,LDW的关键参数是TLC,即车道穿越时间Time Lane Crossing,类似于FCW领域的TTC。LDW的系统比FCW还要复杂一点,需要与转向角信号传感器和轮速传感器配合,当然还需要转向灯提供信息,转向灯工作时,LDW停止工作。当然还有一种CCP(CarCurrent Position)模型和FOD(Future Offset Difference)模型。不过最常见的还是TLC模型。GB/T 26773-2011标准也是以TLC模型为准。一般小型车TLC取1.5-2秒之间,大型车可以增加到2.5秒。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259748937711083.jpg)
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749116819523.jpg)
TLC需要两个数据,一个是距车道距离,二是横向速度或角速度。 距车道距离(DLC,Distance to lane crossing) 。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749218034347.jpg)
简单的算法如下,,S为车辆将要偏离车道需要行驶的距离,V为车辆的瞬间速度,距离除以速度得到TLC时间,这个假设是车辆偏离时走直线道路,但也有可能走弧线,如下图。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749311573095.jpg)
此公式为直线道路上的DLC计算。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749427554111.jpg)
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749523544125.jpg)
以此可以计算出DLC距离。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749625286313.jpg)
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749725016705.jpg)
该公式为转弯道路的DLC。然后根据车辆模型计算横向速度
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749879700379.jpg)
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259749982370337.jpg)
四种模型,这还没完,保险起见还要再加上一个简单的扩展开曼滤波器。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259750085382105.jpg)
接下来就是车道线识别的问题了。车道线识别通常有三种算法,第一类为车道特征匹配(Lane feature-based matching),主要是利用车道线特征(如车道颜色、边缘变化大、方向性与线段移斜率等)来获取车道位置,此方法主要优点为能够快速侦测到车道线位置,但缺点是影像中车道线的结构特征必须完整才易辨识,否则容易造成辨识误差。而在前方有车辆或遮蔽物影响时,比较难检测到车道。
第二类为利用可变车道模型(Deformable lanemodel)来辨识车道。此方法是于影像中寻找车道控制点(Lane control point),利用控制点的变化量来建立出车道模型,此方法可随着车道弯曲的变化量建立弯曲车道模型,但缺点为若车道的变化量过大则绘制车道模型不易,且易受到车辆影响获取错误控制点。
第三类为基于车道模型的辨识方法(Lane model-based detection),此方法根据车道弯曲度、长度以及斜率建立各类模型参数,再对应至影像中建立车道线。其优点在于不容易受到前方车辆或是遮蔽物影响,但缺点是若车道为多弯道车道或复杂车道则不易侦测并建立车道模型。
在实际应用中,第一种算法比较常见。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259750206529335.jpg)
图像预处理部分算法比较简单,但运算量不小,可以用专用的独立芯片来完成,可以减轻主处理器的压力,加快处理速度,当然也可以用软核方式完成。边缘检测中需要选择合适的算子,常见的有Roberts,Sobel,Prewitt,Canny。优缺点如下。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259750303242033.jpg)
二值化之后通常使用Hough变换来检测。
传统视觉系统检测车道线算法复杂,模型库的算法会简单不少,但是需要存储足够多的模型库,对于比较老旧的道路,车道线不明显,模型库的阈值太高的话难以有效检出。同时视觉系统对光线的依赖性太强,只能天气晴好,无遮挡的状况下表现良好。
激光雷达和毫米波雷达也可以实现车道线检测,并且不受天气和遮挡影响,即使被积水或积雪覆盖,也可以检测出车道线。同时雷达测距也比视觉系统要好得多。
激光雷达至少有两种成像方式,一种是距离成像,一种是强度成像。后者实际上使用更广泛更早,但在汽车领域应用很少,只有百度和谷歌使用的比较熟练。激光雷达的强度成像如果密度足够(点云数够多)的话可以达到摄像头那种光电成像的效果,这在遥感领域已经广泛应用,非常成熟。对于遥感图像,最难的就是大片森林覆盖而得不到真实路况,而激光雷达可以实现穿透林区的图像获得。 激光照射在不同物体上会有不同的反射率,就是反射强度,沥青或混凝土路面与油漆车道线之间的激光反射率差异很大,可以轻松获得高光谱图像。这是物理测量的方法,简单可靠,几乎不消耗任何运算资源,准确度远在摄像头视觉系统之上。
![](http://www.shujubang.com/UpLoads/Special/File/2017_03/636259750443071621.jpg)
毫米波雷达识别车道线的原理与激光雷达近似,不同物体反射电磁波的强度也不同,但毫米波的强度信息密度太稀疏,电磁波的强度也太低,反射强度差异度不高,不足以声称类似摄像头那样的光电图像。未来高带宽的79GHz毫米波雷达会好一点。还有一种做法是在车道线所用的油漆涂料中掺入对电磁波反射敏感的金属离子,这样毫米波雷达就可以识别车道线,不过这只能在新铺设的车道线上使用。