- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Evaluation
城市道路评估结果：
农村道路评估结果：
Conclusion and future work
这篇文章提出了一种不需要车道标记就能检测道路边缘的 方法。这种是一种不仅靠当地的视觉外观，而且依靠空间布 局的体征来检测环境的融合方法。
这种基于单眼纯视觉方法已经在城市道路、没有标记的乡 村道路、具有视觉挑战的道路和各种标记的道路上运行了。
未来，我们将对实时性和时间积分结果近一步研究。 从自主驾驶和辅助驾驶中获得的每个图像平均绝对误差和 标准差控制在一个很小的范围内（最高40米 ）
References
[1] S. Strygulec, D. Mueller, M. Meuter, C. Nunn, S. Ghosh,and C. Woehler, “ Road boundary detection and tracking using monochrome camera images,” in FUSION, 2013, pp. 864–870. [2] U. Franke, H. Loose, and C. Knoeppel, “Lane recognition on country roads,” in Proc. IEEE Intelligent Vehicles Symp., 2007, pp. 99–104. [3] A. Seibert, M. Hahnel, A. Tewes, and R. Rojas, “ Camera based detection and classification of soft shoulders, curbs and guardrails, ” in Proc. IEEE Intelligent Vehicles Symp., 2013, pp. 853 – 858. [4] T. Michalke, R. Kastner, J. Fritsch, and C. Goerick, “ A generic temporal integration approach for enhancing feature-based road-detection systems,” in Proc. IEEE Intelligent Transportation Systems, 2008, pp.657–663. [5] J. Alvarez, T. Gevers, Y. LeCun, and A. L ´ opez, “ Road scene segmenta- ´tion from a single image,” in Computer Vision–ECCV 2012. Springer,2012, pp. 376–389. [6] F. Janda, S. Pangerl, E. Lang, and E. Fuchs, “Road boundary detection for run-off road prevention based on the fusion of video and radar, ” in Proc. IEEE Intelligent Vehicles Symp., 2013, pp. 1173 – 1178. [7] D. Pfeiffer and U. Franke, “Efficient representation of traffic scenes by means of dynamic stixels,” in Proc. IEEE Intelligent Vehicles Symp.,2010, pp. 217–224. [8] R. Danescu and S. Nedevschi, “New results in stereovision based lane tracking,” in Proc. IEEE Intelligent Vehicles Symp., 2011, pp. 230–235. [9] C. Guo, S. Mita, and D. McAllester, “ Robust road detection and tracking in challenging scenarios based on markov random fields with unsupervised learning,” IEEE Transactions on Intelligent Transportation Systems, vol. 13, no. 3, pp. 1338–1354, 2012. [10] M. Enzweiler, P. Greiner, C. Knoppel, and U. Franke, “ Towards multicue urban curb recognition,” in Proc. IEEE Intelligent Vehicles Symp.,2013, pp. 902 – 907.
1车道识别在乡村道路 作者：Franke,Loose, and Knoeppel、in Proc.IEEEIntelligent Vehicles Symp., 2007
非 结 构 化 道 路 调 研
2基于马尔可夫随机域的道路精 确检测和自主跟踪学习 Guo, Mita, and McAllester, IEEE 2012 3用单色相机图像实现道 路边界检测和跟踪 作者：Strygulec， Mueller，Meuter，Nunn， Ghosh，Woehler in FUSION, 2013, 6结合视觉和空间信息的单眼 地形的探测 Fritsch, Kuehnl, Kummert, IEEE 2014
system architecture.
Spatial classification of the boundary vicinity
本文创新点是训练一个分类器能够区分出可行驶的区域和非行驶区 域，然后即可抑制在非行驶区域行驶。 GentleBoost算法用决策树自动获取路面多种类型的分类。普遍用 二元问题和多层问题的讨论。除此自外还运用 SPRAT feature 实现镜面 对称的方法。获得了一个更通用的边界附近分类器。即左边道路检测同
4融合视频和雷达的水流 地面的道路边界线检测 Janda, Pangerl, Lang, Fuchs IEEE Intelligent Vehicles Symp., 2013
5以相机为基础检测和分 类公路边软地和护栏 作者：Seibert, Hahnel, E Intelligent Vehicles Symp., 2013
Introduction
基于视觉的道路标志线检测是先进驾驶辅助系统（ADAS）的重要信息来源。 先进的ADAS可以通过标志线或者高架道路分隔符推论出实际的道路。然而，由 于路面的多样性和存在相似性，因此检测出道路边界面临着巨大的挑战。 本文的研究已经成功的检测出农村公路边上的软地，通过从本地图片 中局部提取纹理[1]和颜色以及边缘特征的方式来检测出可行驶和非行驶区域 [2][3]。在此之前。由于，车辆运行时地表面会改变，因此专家就提出了一种 可以实时性的适应当前路表面的模型 [2][4][5]。另外，在城市高度的视觉场 景，如墙、灰色的车、灰色的人行横道和道路颜色相似。在这些地方仅基于视 觉表面的分析有很大的瑕疵。需要通过相机和其他传感器数据的融合来检测高 障碍物[6]。还有一些方法是基于立体视觉检测物体高度[7][8][9]和甚至高精 度的地图信息[10]，但是很多路边石由于物理高度不够很难被检测出。总之， 之前都不能很好地检测出道路信息。 为了克服以上的缺点本文提出了一种量化的方法检测未被标识的道路边界。 SPRAY feature[11][12][13] 功能可以通过对图像的实时处理可以捕捉视觉和 空间的特征。也可以通过整合空间的背景，区分出视觉上相似但是空间不同的 路面。本文的创新即通过横向边界过渡模式对路面进行分类。
分别表示三个滤波器内核
第二步：用Hought变换[14]从候选中提取道路边界线，下图为三 个典型的场景，红色的表示提取出来的边界线。
Filtering lateral boundary positions using partial linear regression
为了使得到的边界线更加平滑，本文运用了局部线性回归方 法。 把度量空间分为多个范围如图。这种线性回归可用到所有 的道路边界线上。
文献综述
Visio-spatial Road Boundary Detection for Unmarked Urban and Rural Roads
用矢量空间道路边界检测法检测没有标示线的城乡道路
Source:
structure of thesis
Abstract
Previous work
样适用于右边道路。
Boundary extraction
边界提取分为两步：
第一步：通过横向边界过渡模式确定左右边界，为了得 到做准确的边界提出了一种过滤器评分方式，用S表示得分， 分数越高说明边界线越精确。在分数计算过程中应用了多个 过滤器操作。
FRA , FIDV , FODV
分别表示三个滤波器操作
previous work 1.运用图像纹理、颜色、边缘特征作为参数来实现未标记车道 线的行驶区域识别。通过一个微粒过滤器的装置完成优化[2]。 2.交替优化算法，提高所提出的系统的鲁棒性和准确性[9]。 3.用边界回旋曲线道路模型来描述道路形状，该模型的参数通 过粒子滤波器来估计和跟踪，使用浓缩算法，仅仅使用纹理特 征分类器。该算法有良好的可靠性[1]。 4.融合图像和雷达数据来检测道路边界[6]。 5用图像数据信息检测区分出道路边软地和护栏，一种方法是 本地化边境使用基于纹理的区域分类，第二种方法是一种结构 运动来提高结构的识别，使用该算法成功率很高[3]。 6.在本文中，引入一个新的分层两阶段的方式学习道路场景的 空间布局。第一阶段使用空间光线的功能，分类道路的外观， 边界外观和车道标线的外观，二阶段训练不同类型的道路地形， 并允许与场景中的空间布局捕捉当地的视觉属性在一起[11]。
