而检测出车道线及其所属类型。 1.2 基于纹理特征的检测方法
该方法是在包含多个像素点的区域中对纹理强度和纹理方向进行统计计算，以获得满足车道线检测要求的结果，具有较强的抗噪能力。但当图像的分辨率改变时，统计计算结果可能会有较大偏差。另外，由于受光照等因素干扰，从二维图像中得到的纹理不一定是三维物体表面的真实纹理，这也对检测结果有一定影响。
文献[13]把道路区域与非道路区域的纹理特征和道路结构作为信息源，根据统计信息自动获取最佳候选结果从而划分出道路区域。文献[14][15]通过Gabor滤波器检测图像纹理方向进而估计出消失点位置。当直线方向和纹理方向一致时才被判定为车道线。该方法具有较好的鲁棒性，但在部分具有公路护栏的道路中会产生误判现象。文献[16]利用不同频率多方向的Gabor模板对采集到的道路图像进行变换分析，根据各个像素点的纹理强度以及方向特征值投票获得道路消失点，并利用从有效投票区域中提取的直线斜率建立通过消失点的道路方程，从而在非结构道路中划分出道路区域。文献[17]结合多尺度稀疏编码，在大尺度上使用道路局部纹理信息，在中小尺度上利用道路的上下文结构特征进行道路划分，从而更加有效地区分出道路与周边环境的相似纹理。该方法在宽幅路面、车辆遮挡和交叉路口等情况下都具有较
好的识别效果，但在阴影遮挡及昏暗环境下识别率较低。 1.3 基于多特征融合的检测方法
针对单一方法的固有不足，逐渐产生了融合多特征进行车道线的检测方法，通过综合运用不同特征的特性来提高车道线检测效果。随着图像处理技术的不断发展，基于道路特征的车道线检测方法越来越多。
文献[18]分别针对采样图像的灰度图像和彩色图像进行特征提取，利用Sobel算子计算边缘强度、边缘强度因子、边缘方向和边缘方向因子，在HSV颜色空间中计算色调因子和亮度因子，根据图像饱和度进行对应切换，在饱和度高时使用色调因子，在饱和度低时使用亮度因子，并根据基础概率进行分配融合多特征信息，最终实现车道线检测。文献[19]利用光流法获取道路的平行特征，通过卡尔曼滤波与传统几何特征进行融合，从而最终提取道路边界。该方法能克服部分不利的气候条件，并提高车道曲率等参数估计的准确度。光流法实质上是利用图像上各点的灰度随时间的变化趋势快速检测出目标对象的方法，适用于动态场景，但计算复杂且耗时，难以充分满足车道线检测的实时性要求，一般需要有特殊硬件支持。文献[20]首先通过消失点和消失线分割道路区域，并对图像进行方向随动滤波处理，然后融合道路纹理方向、边界平行度、像素灰度值等多种特征进而综合构造出车道置信度函数，最后采用概率Hough变换提取车道
线。该方法抗干扰能力较强，但对大曲率车道线检测跟踪的鲁棒性较低。 2 结语
目前，基于道路特征的车道线检测在车道偏离预警系统、车道保持辅助系统、自动泊车辅助系统、行车辅助系统等领域均得到了广泛应用。在民用上，可以辅助驾驶，提高行车安全性；在工业上，可以用于搬运货物，提高生产效率；在军事上，可以实现危险路段自动行驶，减少人员伤亡。从长远而言，基于道路特征的车道线检测方法的研究也具有重要的理论意义及实用价值，但同时仍需要克服以下技术难点：
（1）通用于结构化道路及非结构化道路的车道线检测。目前，基于道路特征的车道线检测主要针对单一道路进行车道线特征提取，尤其是对于具有清晰的道路标线的结构化道路，更易于检测并得到更高准确度，而对于没有明显道路标线的非结构化道路（诸如普通城市道路、乡村道路等），常常需要针对其道路特性采用特定方法进行处理。因此，提供一种能够对各类道路都能提取出有效特征的通用方法仍是一个难题，有待深入研究。
（2）恶劣环境下的车道线检测。目前，基于道路特征的车道线检测已有针对诸如阴影遮挡、光强变化、夜间行车等各类环境干扰因素的对应处理方法，但是只能单独解决其
中有限干扰的问题，无法避免其他干扰，不具备足够的广泛适用性。
（3）市内拥堵环境下的车道线检测。当道路环境中有较多弱势交通参与者（行人、自行车、助动车等）时，路况复杂、随机性大，针对这种情况如何利用高效准确的方法提取道路特征有待进一步研究。
尽管现有基于道路特征的车道线检测方法仍存在一些问题，但随着人们重视程度的日益提高、相?P技术的快速进步，以及研究的不断深入，这些问题终将逐步得到解决，并会进一步促进智能驾驶的发展与应用：
（1）车道线检测的可靠性、实时性、鲁棒性进一步提高。其中，可靠性包括更加准确地检测并识别道路环境中的车道线，排除无关干扰信息。实时性包括从算法上进一步提高及从硬件上进一步增强，从而更加快速完成检测任务，满足系统需求。鲁棒性包括对不同天气环境及复杂道路环境均具有良好的适应性。 （2）多特征信息及多传感器信息融合。通过多特征信息融合增强车道线检测的准确度和系统适应性。通过多传感器信息融合以获得更多道路特征信息从而增强对车辆周围环境的综合感知。
（3）多车的信息通讯及协同规划。随着车联网的快速发展，可利用车联网获取他车已知道路特征信息，如前后方道路特征信息、多车道行驶时他车道路特征信息等，为自车
车道线检测提供更丰富有效的信息资源，从而促进安全驾驶。
参考文献
[1]《中国公路学报》编辑部.中国交通工程学术研究综述?2016[J].中国公路学报，2016，29（6）：1-161.
[2]Sawano H， Okada M. A Road Extraction Method by an Active Contour Model with Inertia and Differential Features[J]. IEICE - Transactions on Information and Systems， 2006， E89-D（7）：2257-2267.
[3]Nieto M， Salgado L， Jaureguizar F， et al. Robust multiple lane road modeling based on perspective analysis[C]. Image Processing， 2008. ICIP 2008. 15th IEEE International Conference on. IEEE， 2008： 2396-2399.
[4]李若皓，丁冬花.一种基于扫描线的车道线识别算法[J].微计算机信息，2008，24（16）：244-246.
[5]Evangeline Pollard， Dominique Gruyer， Jean-Philippe Tarel， etal. Lane Marking Extraction with Combination Strategy and Comparative Evaluation on Synthetic and Camera Images[C]. 14th International IEEE Conference on Intelligent Transportation Systems， Washington DC，2011：1741-1746. [6]Felisa M，Zani P. Robust monocular lane detection in urban environments[C]. Intelligent Vehicles Symposium （IV），