一种基于双曲线模型的车道线检测算法

文章编号：　１６７３‐９９６５（２０１３）１０‐８４０‐０５一种基于双曲线模型的车道线检测算法倡高　嵩，张博峰，陈超波，全　昱，田姗姗（西安工业大学电子信息工程学院，西安７１００２１）摘　要：　针对目前车道线检测算法识别率不高、弯道检测不准确的问题，提出了一种基于双曲线模型的车道线检测算法．算法首先运用Ｃａｎｎｙ算子对道路边缘进行检测；采用Ｈｏｕｇｈ变换提取道路边界点，并使用扩展的Ｋａｌｍａｎ滤波进行预测跟踪来减小道路扫描范围；最后通过左右车道边界参数与双曲线模型参数进行匹配，利用最小二乘法来求解模型参数，完成车道边界重建．实验结果表明，该算法的准确率达到９３．４％，每帧图像的处理速度为８７．４ｍｓ，有效克服抛物线模型和直线模型在直道与弯道连接处不连续的问题，而且在车道线模糊、对比度较低的情况下也能快速准确的识别出车道线．关键词：　车道检测；双曲线模型；Ｈｏｕｇｈ变换；扩展卡尔曼滤波中图号：　ＴＮ９１１．７３ 文献标志码：　Ａ 基于视觉的智能导航系统是计算机视觉的一个重要应用领域，而道路检测算法是基于视觉导航系统的关键技术之一．利用机器视觉识别公路上的车道线，实现自主导航是现阶段智能车辆常用的导航方法［１桘２］．该方法简单实用，并能适应复杂道路环境的特点．现阶段对道路线检测的主要算法有基于特征和基于模型［３］两类．基于特征的算法主要是识别出道路的某些特征来对道路标线进行检测［４］，如：颜色、纹理、道路形状等特征，但是光照变化［５］、水迹、阴影、道路标线的破损及不连续都将影响基于特征的道路线检测效果［６］；基于模型的算法主是先建立道路参数模型，然后根据图像分析［７］确定模型参数，从而得到道路的全部信息，这类方法主要在于模型不同，如：直线模型、抛物线模型、样条曲线模型等［８桘１０］．目前有不少车道线检测算法有采用直线模型、抛物线模型、样条曲线模型．直线模型虽然实时性较好，但对曲线道路的识别精度较差；抛物线模型在车道直线与曲线连接处连续性不好，标识线容易偏离；样条曲线模型过于复杂，计算量大、实时性不高．为了解决以上问题，文中提出一种基于双曲线模型的车道线检测算法，减小了道路标线扫描范围来改善弯道识别率不高的问题．１　双曲线道路模型建立现阶段基于视觉的车道线检测，建立道路模型是大多学者常用的方法，文中采用车道线组合模型对车道线进行建模，近视场区域用直线模型ｕ＝ｂｖ－ａ远视场区域用双曲线模型ｕ－ｕＨ＝ｋｖ－ｌ道路模型如图１所示，道路图像任意边界点（ｕ，ｖ），ｕ代表横向坐标、ｖ代表纵向坐标．我们对道路两边的标线同时建立双曲线模型ｕ－ｕＨ＝ｋｖ－ｈ＋ｂ（ｖ－ｈ）（１）式中：ｈ为道路平面在图像平面上的消失线的位置，其中ｋ，ｂ和ｕＨ为双曲线模型参数；ｋ为道路标第３３卷第１０期２０１３年１０月 西　安　工　业　大　学　学　报ＪｏｕｒｎａｌｏｆＸｉ’ａｎＴｅｃｈｎｏｌｏｇｉｃａｌＵｎｉｖｅｒｓｉｔｙ Ｖｏｌ．３３Ｎｏ．１０Ｏｃｔ．２０１３倡收稿日期：２０１３‐０５‐２１基金资助：陕西省教育厅专项科研计划项目（１２ＪＫ０５０２）；教育部留学回国人员科研计划项目（２０１１ＣＹ１８５）；大学生创新创业训练计划项目（２０１２１０７０２０６１）作者简介：高　嵩（１９６６‐），男，西安工业大学教授，主要研究方向为智能控制．Ｅ桘ｍａｉｌ：ｇａｏｓｏｎｇ＠ｘａｔｕ．ｅｄｕ．ｃｎ．线的曲率大小；ｂ为道路标线的相对方向；ｕＨ为车道线到纵轴的距离．这些参数可以通过道路图像数据与摄像机的内外参数计算得到．如图１所示．图１　道路模型Ｆｉｇ．１　Ｒｏａｄｍｏｄｅｌ由于一边道路线可能被其他车辆遮挡，导致ＣＣＤ摄像机无法采集到相应的图像信息，因此文中提出同时用一对双曲线模型，但前提是车道两边的标识线是平行且宽度相等的．因此可以用方程族对两边的道路线参数同时求解，左右两边的道路线方程为ｕ－ｕＨ＝ｋｖ－ｈ＋ｂｌ（ｖ－ｈ）（２）ｕ－ｕＨ＝ｋｖ－ｈ＋ｂｒ（ｖ－ｈ）（３）由于道路两边的边线平行，所以参数ｋ和ｂ的值是相同的，参数ｕＨ的值不同．扩展后车道线模型方程为ｕ－ｕＨ＝ｋｖ－ｈ＋ｂｌ（ｖ－ｈ）＋ｂｒ（ｖ－ｈ）（４）对边界线上的每一个点，当ｂ（ｌ）＝０时方程代表右边车道标线，当ｂ（ｒ）＝０时方程代表左边车道标线．文中通过把两边曲线结合成一对双曲线，而曲线参数只增加了一个，在计算量增加不大的基础上，大大的提高了曲线模型的精确度和鲁棒性，特别是当道路线被遮挡或者部分被损坏时．２　道路检测算法２．１　车道线边缘像素提取首先文中对道路图像进行预处理，为了获得车道线边界，需要对图像进行边缘检测，而道路边缘检测是道路识别算法的前提．现有的边缘检测算子主要有Ｃａｎｎｙ、Ｒｏｂｅｒｔ、Ｓｏｂｅｌ、Ｐｒｅｗｉｔｔ、Ｌａｐｌａｃｉａｎ等，其中Ｃａｎｎｙ算子是一个具有滤波、增强和检测的多阶段的优化算子，提取边缘有较完整和较好的定位性能并且对于单个边缘点仅有一个响应，能检测出图像较细的边缘等优点．综合考虑算子的性能与速度特性，文中算法采用Ｃａｎｎｙ算法进行边缘检测．从摄像机采集到的道路图像经过预处理后，通过Ｃａｎｎｙ边缘检测算子处理，得到道路线边缘轮廓，并且检测结果能满足后续处理要求．图像预处理如图２所示．图２　图像预处理Ｆｉｇ．２　Ｉｍａｇｅｐｒｅｐｒｏｃｅｓｓｉｎｇ２．２　车道线Ｈｏｕｇｈ提取常用的道路标识线提取的方法有基于Ｈｏｕｇｈ变换的方法和基于最小二乘法的方法．文中采用Ｈｏｕｇｈ变换对道路边界线进行提取，它的特点是精度高，提取准确，抗干扰能力强．首先用Ｈｏｕｇｈ变换初步获得车行道中线和消失线，然后用道路实时等宽的条件提取道路两边的边界线．Ｈｏｕｇｈ变换在极坐标下的参数方程ρ＝ｘｃｏｓθ＋ｙｓｉｎθ（５）式中：ρ为直线ｍ离原点的法线距离，其大小ρ＝ｘ２＋ｙ２；θ为该法线与ｘ轴的角度，θ的取值范围为－９０°≤θ≤９０°．图像空间中的一条直线经Ｈｏｕｇｈ变换映射到参数空间是一个点，图像空间中一个点映射到参数空间是一条正弦曲线．Ｈｏｕｇｈ１４８　第１０期 高　嵩，等：一种基于双曲线模型的车道线检测算法变换车道线参数提取步骤如下：１）在ρ和θ适当的最大值、最小值之间建立一个离散的参数空间，及一个累加器Ａ（ρ，θ），并把所有元素置０．２）根据先验知识（工程实际），在视频图像水平线不可能是车道线，所以文中将θ值大于７０°的像素点都剔除掉，根据限定参数ρ和θ的取值范围，对二值图像上满足条件的像素点用Ｈｏｕｇｈ变换提取，即算出该点在每个ρ－θ网格上的对应曲线，并在相应的累加器上加１．３）找出对应图像平面上共线点的累加器的最大值，这个值提供了图像平面上共线点所在直线的参数．此方法是把在Ｘ桘Ｙ平面上找共线点的问题转化成在参数空间里找最大、最小值的问题，一般认为峰值最多的点就是要找的道路线，如图３所示．图３　霍夫变换Ｆｉｇ．３　Ｈｏｕｇｈｔｒａｎｓｆｏｒｍ２．３　扩展的Ｋａｌｍａｎ滤波预测跟踪上节Ｈｏｕｇｈ变换得到基于双曲线模型的车道线参数ρ和θ后，用扩展Ｋａｌｍａｎ滤波进行跟踪．由于采集到连续车道线有所不同，所检测的车道线参数ρ和θ的维数也不同，要利用Ｋａｌｍａｎ滤波进行跟踪，参数的维数必须统一．为此需要利用矩阵维数匹配判断．当前帧参数的维数Ｘｒ大于平均值Ｍｒ时，舍弃后边的Ｘｒ－Ｍｒ维，当前帧参数的维数Ｘｒ小于平均值Ｍｒ时，后边的Ｘｒ－Ｍｒ维补０，这样，任何一帧的待跟踪参数都是Ｍｒ维，就可以利用扩展的Ｋａｌｍａｎ滤波进行跟踪了．扩展的Ｋａｌｍａｎ跟踪计算是利用５个核心的公式来实时预测功能，参数初值和协方差Ｐ的初值设为单位阵，本状态的预测值是上一状态的跟踪结果，本状态的真实值是当前读入的序列帧，由此可得到本状态的跟踪值（即最优估计结果）．此值又作为下一状态的预测值，实现车道参数的循环估计．一般由前３帧图像获得道路参数的均值作为预测的初值．用道路跟踪算法是为了减小下一环节道路线扫描的范围．２．４　双曲线模型匹配使用从中间到两边的道路边界扫描方法，把每一帧Ｈｏｕｇｈ变换提取出的道路两边的点分别聚集到一个集合，得到左右两边两个时间序列点，根据Ｈｏｕｇｈ变换提取出的道路线参数就可确定车道线在图像空间的消失点，进而得到改进的双曲线模型参数ｈ．通过边界扫描得到道路左右道路线边界点Ｌｌ＝｛（ｕ１，ｖ１），（ｕ２，ｖ２），…，（ｕｎ，ｖｎ）｝Ｌｒ＝｛（ｕ１，ｖ１），（ｕ２，ｖ２），…，（ｕｍ，ｖｍ）｝然后用最小二乘法进行模型匹配Ａ＝１ｖｌ１－ｈｖｌ１－ｈ０１…………１ｖｌｎ－ｈｖｌｎ－ｈ０１１ｖｒ１－ｈ０ｖｒ１－ｈ１…………１ｖｒｍｈ０ｖｒｍ－ｈ１珚Ｘ－［ｋ，ｂｌ，ｂｒ，ｕＨ］Ｔｂ＝［ｕ（ｌ）１，ｕ（ｌ）２，…，ｕ（ｌ）ｎ，ｕ（ｒ）１，ｕ（ｒ）２，…，ｕ（ｒ）ｍ］求解矩阵方程Ａ珚Ｘ＝ｂ计算出模型参数ｋ，ｂ的值，ｋ＝０表示直线道路、ｋ＞０表示前方道路左转、ｋ＜０表示前方道路右转，幅值表示左右车道线的弯曲程度；ｂ的值表示车道线的行驶方向及左右车道线的相对位置．根据模型参数拟合实际车道线，使用Ｍａｔｌａｂ仿真模型结果如图４～５所示．图４　车道线曲率数据仿真图Ｆｉｇ．４　Ｒｏａｄｃｕｒｖａｔｕｒｅｓｉｍｕｌａｔｉｏｎｆｉｇｕｒｅ由仿真结果知双曲线模型参数ｋ能实时向无人车系统提供前方道路的弯曲程度，并判断车体是左转还是右转，图４中前２００帧图像车道线是直２４８ 西安工业大学学报 第３３卷线，而２００帧到４００帧车道线右转，４００帧以后车道线开始左转．图５　车道线方向仿真图Ｆｉｇ．５　Ｒｏａｄｄｉｒｅｃｔｉｏｎｓｉｍｕｌａｔｉｏｎｆｉｇｕｒｅ图５能实现实际车道线走向，而且左右两边的车道线保持实时等宽，这对模型匹配和车道线拟合有至关重要的作用．３　实验结果为了验证本算法的有效性和稳定性，用一段测试视频序列图对本文车道线检测算法进行仿真验证，实验中图像的大小为３２０×２４０像素的彩色图像，利用ＶＣ＋＋和Ｍａｔｌａｂ混合编程对图片进行处理，每帧图像的处理速度为８７．４ｍｓ，准确度可以达到９３．４％．为验证本算法的实时性和鲁棒性，我们对不同的路况进行了测试，部分道路车道线测试结果如图６～７所示．图６是对直线道路进行测试，其中６（ａ）～（ｃ）图中道路的部分车道线被旁边车辆遮挡，但算法还是能匹配拟合出完整的标识线，图６（ｂ）中两个车辆中间被车辆遮挡并存在阴影，但算法也准确的提取和拟合出车道线．图７是对有弯曲的道路进行测试，图７（ａ）～（ｄ）中无论有车辆车档还是光照强度的影响算法都能准确的定位左右边界及弯道位置，特别是弯道处对虚线的识别，如图７（ｂ）和７（ｃ）中弯道处的虚线已经非常模糊了，但是算法还是能够准确的预测跟踪和识别出来．根据测试结果表明文中提出的车道线检测算法不仅有良好的稳定性，而且有较高的识别效果和较强的抗干扰能力．图６　直道检测结果Ｆｉｇ．６　Ｓｔｒａｉｇｈｔ桘ｌｉｎｅｔｅｓｔｒｅｓｕｌｔｓ图７　弯道检测结果Ｆｉｇ．７　Ｔｈｅｃｕｒｖｅｔｅｓｔｒｅｓｕｌｔｓ４　结论文中提出了一种基于双曲线模型的车道线检测算法，算法通过对道路线提取和双曲线模型匹配，并用最小二乘法对道路线进行重建．实验过程中选取直线、虚线及弯曲道路线，以及有阴影和车辆遮挡的道路进行实验检测，实验结果表明文中算法在直线道路和弯曲道路、含有阴影、道路有部分遮挡及光照变化的复杂环境下能准确、实时、可靠的识别车行道的边界线．参考文献：［１］　ＯＴＨＭＡＮＯＫ，ＩＭＲＡＮＭＫ，ＡＢＤＵＬＨＡＫＡＭＡＭ，ｅｔａｌ．Ａｈｙｐｅｒｂｏｌａ桘ＰａｉｒＢａｓｅｄＬａｎｅＤｅｔｅｃｔｉｏｎＳｙｓｔｅｍｆｏｒＶｅｈｉｃｌｅＧｕｉｄａｎｃｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＷｏｒｌｄＣｏｎｇｒｅｓｓｏｎＥｎｇｉｎｅｅｒｉｎｇＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＳａｎＦｒａｎｃｉｓｃｏ：ＩＥＥＥ，２０１０：２０．３４８　第１０期 高　嵩，等：一种基于双曲线模型的车道线检测算法［２］　ＹＵＢ，ＪＡＩＮＡＫ．ＬａｎｅＢｏｕｎｄａｒｙＤｅｔｅｃｔｉｏｎＵｓｉｎｇａＭｕｌｔｉｒｅｓｏｌｕｔｉｏｎＨｏｕｇｈＴｒａｎｓｆｏｒｍ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，ＨｏｎｇＫｏｎｇ：ＩＥＥＥ，２０１０：７４８．［３］　ＣＨＥＮＧＨＹ，ＪＥＮＧＢＳ，ＴＳＥＮＧＰＴ．ＬａｎｅＤｅｔｅｃｔｉｏｎｗｉｔｈＭｏｖｉｎｇＶｅｈｉｃｌｅｓｉｎｔｈｅＴｒａｆｆｉｃＳｃｅｎｓｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２００６，７（４）：５７１．［４］　高嵩，秦岭，陈超波．结构化道路车道线识别算法研究［Ｊ］．西安工业大学学报，２０１３，３３（１）：１４． ＧＡＯＳｏｎｇ，ＱＩＮＬｉｎｇ，ＣＨＥＮＣｈａｏ桘ｂｏ．ＳｔｒｕｃｔｕｒｅｄＲｏａｄＬａｎｅＭａｒｋｉｎｇＩｄｅｎｔｉｆｉｃａｔｉｏｎＡｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ’ａｎＴｅｃｈｎｏｌｏｇｉｃａｌＵｎｉｖｅｒｓｉｔｙ，２０１３，３３（１）：１４．（ｉｎＣｈｉｎｅｓｅ）［５］　ＬＩＱ，ＺＥＨＮＧＮＮ，ＣＨＥＮＧＨ．ＳｐｒｉｎｇＲｏｂｏｔ：ＡＰｒｏｔｏｔｙｐｅＡｕｔｏｎｏｍｏｕｓＶｅｈｉｃｌｅａｎｄＩｔｓＡｌｇｏｒｉｔｈｍｓｆｏｒＬａｎｅＤｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２００４，５（４）：３００．［６］　ＡＢＤＵＬＨＡＫＡＭ，ＯＴＨＭＡＮＯＫ，ＭＤＲＩ．ＲｅａｌＴｉｍｅＬａｎｅＤｅｔｅｃｔｉｏｎｆｏｒＡｕｔｏｎｍｏｕｓＶｅｈｉｃｌｅｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＫｕａｌａＬｕｍｐｕｒ：ＩＥＥＥ，２００８．１３．［７］　ＳＨＡＲＭＡＵＫ，ＤＡＶＩＳＬＳ．ＲｏａｄＢｏｕｎｄａｒｙＤｅｔｅｃｔｉｏｎｉｎＲａｎｇｅＩｍａｇｅｒｙｆｏｒａｎＡｕｔｏｎｏｍｏｕｓＲｏｂｏｔ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＲｏｂｏｔｉｃｓａｎｄＡｕｔｏｍａｔｉｏｎ，２００９，４（５）：５１５．［８］　许华荣，王晓栋，方遒．基于Ｂ样条曲线模型的结构化道路检测算法［Ｊ］．自动化学报，２０１１，３３（３）：２３． ＸＵＨｕａ桘ｒｏｎｇ，ＷＡＮＧＸｉａｏ桘ｄｏｎｇ，ＦＡＮＧＱｉｕ．ＳｔｒｕｃｔｕｒｅＲｏａｄＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＢ桘ｓｐｌｉｎｅＣｕｒｖｅＭｏｄｅｌ［Ｊ］．ＡｃｔａＡｕｔｏｍａｔｉｃａＳｉｎｉｃａ，２０１１，３３（３）：２３．（ｉｎＣｈｉｎｅｓｅ）［９］　王晓云，王永忠．基于线性双曲线模型的车道线检测算法［Ｊ］．杭州电子科技大学学报，２０１０，３０（６）：１． ＷＡＮＧＸｉａｏ桘ｙｕｎ，ＷＡＮＧＹｏｎｇ桘ｚｈｏｎｇ．ＡＬａｎｅＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＬｉｎｅａｒ桘ｈｙｐｅｒｂｏｌａＭｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＨａｎｇｚｈｏｕＤｉａｎｚｉＵｎｉｖｅｒｓｉｔｙ，２０１０，３０（６）：１．（ｉｎＣｈｉｎｅｓｅ）［１０］　林国余，陈旭，张为公．基于多信息融合优化的鲁棒性道路检测方法［Ｊ］．东南大学学报，２０１０，４０（４）：１９． ＬＩＮＧｕｏ桘Ｙｕ，ＣＨＥＮＸｕ，ＺＨＡＮＧＷｅｉ桘ｇｏｎｇ．ＲｏｂｏｕｓｔＬａｎｅＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＭｕｌｔｉｐｌｅＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎａｎｄＯｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，２０１０，４０（４）：１９．ＡｎＡｌｇｏｒｉｔｈｍｏｆＬａｎｅＬｉｎｅＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＨｙｐｅｒｂｏｌａＭｏｄｅｌＧＡＯＳｏｎｇ，ＺＨＡＮＧＢｏ桘ｆｅｎｇ，ＣＨＥＮＣｈａｏ桘ｂｏ，ＱＵＡＮＹｕ，ＴＩＡＮＳｈａｎ桘ｓｈａｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎＴｅｃｈｎｏｌｏｇｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００２１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：　Ｆｏｒｔｈｅｌｏｗｒａｔｅｏｆｒｅｃｏｇｎｉｔｉｏｎａｎｄｉｎａｃｃｕｒａｔｅｄｅｔｅｃｔｉｏｎｏｆｔｈｅｃｕｒｖｅ，ａｎａｌｇｏｒｉｔｈｍｏｆｌａｎｅｌｉｎｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｈｙｐｅｒｂｏｌａｍｏｄｅｌｈａｓｂｅｅｎｐｒｏｐｏｓｅｄ．ＦｉｒｓｔｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓＣａｎｎｙｏｐｅｒａｔｏｒｔｏｄｅｔｅｃｔｔｈｅｅｄｇｅｏｆｔｈｅｌａｎｅ．ＴｈｅｎｔｈｅＨｏｕｇｈｔｒａｎｓｆｏｒｍｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｌａｎｅｂｏｕｎｄａｒｙｐｏｉｎｔｓ．ＴｈｅｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ，ｗｉｔｈｒｅｄｕｃｅｄｒｏａｄｓｃａｎｎｉｎｇｒａｎｇｅ，ｉｓｕｔｉｌｉｚｅｄｆｏｒｐｒｅｄｉｃｔｉｖｅｔｒａｃｋｉｎｇ，ｗｈｉｃｈｉｓａｂｌｅｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｅｏｆｅｘｔｒａｃｔｉｏｎ．Ａｔｌａｓｔ，ｔｈｅｌｅｆｔａｎｄｒｉｇｈｔｌａｎｅｂｏｕｎｄａｒｙｐａｒａｍｅｔｅｒｓｆｉｎｄａｐｅｒｆｅｃｔｍａｔｃｈｗｉｔｈｔｈｅｈｙｐｅｒｂｌａｍｏｄｅｌｂｙｔｈｅｌｅａｓｔｓｑｕａｒｅｓｍｅｔｈｏｄ，ａｎｄｌａｎｅｂｏｕｎｄａｒｙｒｅｃｏｎｓｔｒｕｃｔｉｏｎｉｓｃｏｍｐｌｅｔｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅａｌｇｏｒｉｔｈｍｒｅａｃｈｅｓ９３．４％ａｎｄｔｈｅｐｒｏｃｅｓｓｉｎｇｓｐｅｅｄｏｆｅａｃｈｉｍａｇｅｉｓ８７．４ｍｓ．Ｔｈｅａｌｇｏｒｉｔｈｍｃｏｕｌｄｏｖｅｒｃｏｍｅｐａｒａｂｏｌｉｃｍｏｄｅｌａｎｄｄｉｓｃｏｎｔｉｎｕｏｕｓｐｒｏｂｌｅｍａｔｊｏｉｎｔｏｆｓｔｒａｉｇｈｔｌｉｎｅａｎｄｃｕｒｖｅ．Ｉｔａｌｓｏｃｏｕｌｄｑｕｉｃｋｌｙａｎｄａｃｃｕｒａｔｅｌｙｉｄｅｎｔｉｆｙｌａｎｅｌｉｎｅｉｎｔｈｅｓｉｔｕａｔｉｏｎｏｆｂｌｕｒａｎｄｌｏｗｃｏｎｔｒａｓｔｌａｎｅｌｉｎｅ．Ｋｅｙｗｏｒｄｓ：　ｌａｎｅｄｅｔｅｃｔｉｏｎ；ｈｙｐｅｒｂｌａｍｏｄｅｌ；ｈｏｕｇｈｔｒａｎｓｆｏｒｍａｔｉｏｎ；ｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ（责任编辑、校对　魏明明）４４８ 西安工业大学学报 第３３卷一种基于双曲线模型的车道线检测算法作者：高嵩， 张博峰， 陈超波， 全昱， 田姗姗， GAO Song， ZHANG Bo-feng， CHEN Chao-bo， QUAN Yu， TIAN Shan-shan作者单位：西安工业大学电子信息工程学院,西安,710021刊名：西安工业大学学报英文刊名：Journal of Xi'an Technological University年，卷(期)：2013(10)参考文献(10条)1.OTHMAN O K;IMRAN M K;ABDULHAKAM A M A hyperbola-Pair Based Lane Detection System for Vehicle Guidance 20102.YU B;JAIN A K Lane Boundary Detection Using a Multiresolution Hough Transform 20103.CHENG H Y;JENG B S;TSENG P T Lane Detection with Moving Vehicles in the Traffic Scense 2006(04)4.高嵩,秦玲,陈超波结构化道路车道标线识别算法研究[期刊论文]-西安工业大学学报 2013(1)5.LI Q;ZEHNG N N;CHENG H Spring Robot:A Prototype Autonomous Vehicle and Its Algorithms for Lane Detection 2004(04)6.ABDULHAK A M;OTHMAN O K;MD R I Real Time Lane Detection for Autonmous Vehicles 20087.SHARMA U K;DAVIS L S Road Boundary Detection in Range Imagery for an Autonomous Robot 2009(05)8.许华荣,王晓栋,方遒基于B样条曲线模型的结构化道路检测算法[期刊论文]-自动化学报 2011(3)9.王晓云,王永忠基于线性双曲线模型的车道线检测算法[期刊论文]-杭州电子科技大学学报 2010(6)10.林国余;陈旭;张为公基于多信息融合优化的鲁棒性道路检测方法 2010(04)引用本文格式：高嵩.张博峰.陈超波.全昱.田姗姗.GAO Song.ZHANG Bo-feng.CHEN Chao-bo.QUAN Yu.TIAN Shan-shan一种基于双曲线模型的车道线检测算法[期刊论文]-西安工业大学学报 2013(10)。