基于单目视觉的车道边缘检测及中心线提取算法研究
一种基于视觉的车道线检测与跟踪算法
一种基于视觉的车道线检测与跟踪算法基于视觉的车道线检测与跟踪算法是自动驾驶等领域中的一个重要研究方向。
车道线检测与跟踪算法的主要目标是从车辆摄像头或传感器获取的图像中提取出车道线的位置信息，并能够实时跟踪车道线的变化以保持车辆的行驶安全。
以下是一个基于视觉的车道线检测与跟踪算法的详细介绍。
首先，车道线检测与跟踪算法通常使用图像处理技术和计算机视觉算法来处理从摄像头或传感器获取的图像。
首先，图像会被转换为灰度图像，并进行预处理操作，例如直方图均衡化、高斯模糊等，以提高车道线的边缘检测效果。
接下来，边缘检测算法会被应用于图像上，以便找到可能是车道线的边缘区域。
常用的边缘检测算法包括Sobel算子、Canny算子等。
这些算法通过检测图像中的灰度梯度变化来找到边缘。
找到边缘后，可以采用霍夫变换或其他方法来将边缘连接成直线段。
然后，通过拟合直线模型到检测到的边缘上，可以得到车道线的参数，例如斜率和截距。
这些参数可以用来计算车道线的位置和方向。
在这一步骤中，常用的拟合算法包括最小二乘法、鲁棒拟合等。
接下来，为了实现车道线的跟踪，必须在连续帧之间建立关联。
可以使用滤波算法（如卡尔曼滤波）或递归算法（如扩展卡尔曼滤波）来对车道线进行预测和融合，以提高跟踪的精确性和稳定性。
最后，为了确保车辆能够跟随车道线正确行驶，可以使用控制算法来对车辆的转向和加速进行调整。
这些算法可以基于车道线的位置和方向来计算车辆的操控命令，以使车辆保持在正确的道路中心线上。
除了基本的车道线检测和跟踪算法，还可以采用一些改进和优化的方法来提高算法的性能。
例如，可以使用机器学习算法来改善车道线的检测和跟踪精度，可以使用深度学习算法来进行车道线的语义分割和识别，以及可以使用复杂的模型来处理复杂的驾驶场景，例如交叉口、环岛等。
总之，基于视觉的车道线检测与跟踪算法是自动驾驶等领域中的一个重要研究方向。
通过使用图像处理技术和计算机视觉算法，可以从车辆的摄像头或传感器获取的图像中提取出车道线的位置信息，并进行实时跟踪，以保持车辆行驶的安全和稳定。
基于单目视觉的车道线和道路边界同步检测
经成为“ 智能交通 系统 ” Ｉ Ｓ 研究开 发的重点． （ ） Ｔ 利 用计算机视觉进行 自主驾驶与辅助导航是 目前的主
流 ， 是智 能车研 究 的关 键技 术及 核心 问题 ． 能车 也 智 辆 在等 级公 路上 安 全行 驶 必须 具 备 三 个 基 本 功 能 ：
易造成对应点 匹配困难、 硬件和计算的成 本高等不 足； 文献［］ ３ 中的神经网络和模糊逻辑算法需要预先
了标线灰 度特 性与道路边缘信息 的特征提取 ， 并在此基础上结合公路几 何线 形进行道 路模 型匹配． 算法整 体采用初 始检测 和
后继 跟踪 的循 环处 理流程 ， 大大 提高了实时性和抗噪性． 通过 Ｃ Ｄ测试结果 表明 ， Ｃ 方法能够 快速 、 准确 、 同步地检测 出车道线
和道路边界．
ｔ ａ ｈ ｅｈ ｄ ｃ ｎ ｄ ｔｃ ａ ｅｍ ａ ｋｎ ｎ ｏ ｄ ｂ ｕ ｄ ｒ ａ ｉｌ ，ｅ ａ ｔｙａ ｄ ｓ ｎ ｈ ｏ ｏ ｓ ｈ ｔｔ ｅｍ ｔ ｏ ａ ｅｅ ｔｌｎ ｒ ｉｇ ａ ｄ ｒ ａ ｏ ｎ ａ ｙ ｒ ｐｄ ｙ ｘ ｃｌ ｎ ｙ ｃ ｒ ｎ ｕ ｌ ． ｙ Ｋｅ ｒ ｓ ｖ ｈｃｅｖｓｏ － ａ ｅ ａ ｉａ ｉｎ；ｏ ｄ ｄ ｔ ｃｉｎ；ｅ ｔ ｒ ｘ ｒ ｃｉｎ； ｄ ｌ ａ ｃ ｉｇ ｙｗｏ ｄ ： ｅ ｉｌ ｉｉｎ ｂ ｓｄ ｎ ｖｇ ｔｏ ｒ ａ ｅ ｅ ｔ ｏ ｆａ ｕ ｅ ｅ ｔａ ｔｏ ｍｏ ｅ ｔｈ ｎ ｍ
Ｓ ｎ ｈ ｏ ｏ ｓＤｅｅ ｔｏ ｆｔ ｅＬａ ｅＭ ａ Ｕｎ ｎ ａ ｕ ｄ ｒ ｎ Ｍ ｏ ｏ ｕａ ｓｏ ｙ ｃ ｒ ｎ ｕ ｔｃｉｎ ｏ ｈ ｎ ｒ ｇ ａ ｄ Ｒｏ ｄ Ｂｏ ｎ ａ ｙ ｏ ｎ ｃ ｌｒＶｉｉｎ
ＬＵ Ｗ ｅ—ｔ ， Ｈ ＩＺｈ ｎ — ｅ ｉｒ ａ Ｓ ｏ ｇｋ
基于计算机视觉的车道线识别算法研究
基于计算机视觉的车道线识别算法研究第一章：引言计算机视觉是一种研究计算机如何获取、处理、分析图像和视频的技术。
作为人工智能的一个分支，计算机视觉在智能交通领域有着广泛的应用。
其中，车道线识别是智能驾驶、自动驾驶等技术的重要组成部分。
车道线识别算法是通过分析车辆行驶时图像中的车道线，确定车辆所在的行驶路线，并指导自动驾驶系统行驶。
本文将基于计算机视觉研究车道线识别算法，提出一种基于图像处理技术的车道线识别算法。
第二章：相关技术2.1 图像处理技术图像处理技术是车道线识别算法的基础，主要包括图像滤波、边缘检测、二值化、霍夫变换等技术。
其中，图像滤波是为了去除图像噪声，边缘检测是为了提取车道线的边缘信息，二值化是为了将图像转化为黑白二值图像，霍夫变换是为了检测图像中的直线。
2.2 机器学习技术机器学习技术用于实现智能化的车道线识别算法。
常用的机器学习算法包括支持向量机、决策树、神经网络等。
机器学习算法可以通过训练样本来学习车道线的特征，并根据学习结果进行车道线识别。
第三章：算法设计本文提出的车道线识别算法基于图像处理技术和机器学习技术，主要分为以下几个步骤：3.1 图像预处理图像预处理包括图像滤波、边缘检测、二值化等步骤。
首先，采用高斯滤波去除图像噪声；然后，采用Sobel算子进行边缘检测，并使用Canny算法进一步提取车道线的边缘信息；最后，将图像二值化，将车道线的边缘信息提取出来。
3.2 车道线检测车道线检测包括霍夫变换和直线拟合两个步骤。
首先，使用霍夫变换检测图像中的直线；然后，对直线进行参数拟合，得到车道线的位置和斜率。
3.3 车道线跟踪车道线跟踪是为了保持车道线的连通性和稳定性。
本文采用滑动窗口的方式对车道线进行跟踪。
首先，将车道线分为多个窗口，然后通过每个窗口内像素点的多项式拟合来得到车道线的位置信息。
3.4 车道线校正车道线校正是为了纠正车道线的偏差。
本文采用车道线左右偏差的平均值作为校正系数，将车道线向左或右移动校正偏差。
基于单目相机的3d车道线检测方法分类
一、概述随着智能驾驶技术的不断发展，车道线检测作为自动驾驶系统中的重要一环，扮演着至关重要的角色。
在目前的车道线检测技术中，基于单目相机的方法因其简单、成本低廉，受到了广泛关注。
本文将从基于单目相机的3D车道线检测方法分类展开讨论，以期为相关领域的研究提供一定的参考和指导。
二、基于单目相机的3D车道线检测方法简介1. 传统方法：传统方法主要通过单目相机获取的图像来识别车道线的位置和形状，常用的算法包括霍夫变换、Canny边缘检测等。
由于传统方法对光照、路面情况等因素较为敏感，因此其检测结果的鲁棒性较弱，无法适应多样化的实际道路情况。
2. 基于深度学习的方法：近年来，随着深度学习技术的飞速发展，研究者们开始探索利用深度学习方法进行车道线检测。
基于单目相机的3D车道线检测方法通过卷积神经网络等深度学习技术，可以更好地处理复杂的道路场景，提高检测的准确性和鲁棒性。
3. 结合传统方法和深度学习方法：有学者尝试将传统方法和深度学习方法相结合，充分发挥各自的优势，提高车道线检测的精度和鲁棒性，例如结合卷积神经网络和霍夫变换，从而在不同场景下都能够取得令人满意的检测效果。
三、基于单目相机的3D车道线检测方法分类1. 基于几何特征的检测方法基于单目相机的3D车道线检测方法中，基于几何特征的检测方法是最为常见的一种。
该方法通过识别图像中的直线、曲线等几何特征，进而推断出车道线的位置和形状。
这种方法简单直观，但容易受到噪声、光照等因素的影响，因此在复杂场景下表现不佳。
2. 基于语义分割的检测方法随着深度学习技术的应用，基于语义分割的3D车道线检测方法受到了越来越多的关注。
该方法通过训练卷积神经网络，可以实现对图像中不同类别像素的分割，进而准确定位车道线。
相比于基于几何特征的方法，基于语义分割的方法能够更好地适应光照变化、路面情况等复杂因素，具有较高的鲁棒性和准确性。
3. 基于深度信息的检测方法基于深度信息的3D车道线检测方法则是在相机拍摄的图像基础上，结合深度传感器获取的深度信息，从而更加准确地还原道路情况。
基于单目视觉的车道线和道路边界同步检测_卢卫娜
上述相仿. 同时, 可以根据 C的正负来判断弯路的左
右转向.
2 后继跟踪
道路的后继跟 踪, 是帧 与帧之间的跟 踪. 车辆
运动时, 道路图像的变化是连 续的, 前后帧 之间的 道路位置 不会突 然改变. 本 文忽略 车体 动力学 影 响, 把前一帧图像中车道线和 路边界的位置, 作为 其在下一帧的预测位置, 在其 左右 20 个像 素的水 平邻域内搜索新的特征点. 这 样, 搜索范围 由初始 检测的矩形区缩小为两个狭长的带状区域( 如图 4 所示) , 省去许多不必要的遍历操作. 最后, 同样采 用最小二 乘拟合 进行道 路模 型匹配, 得 到新的 车 道标线和道路边界.
像, 可以看出, 图中利用 OT SU 阈值分割能够将近 处和远处的间断标线分别提取出来, 而单一的边缘
检测只能获取近处的标线边缘, 且噪声较多.
图 1 矩形感兴趣区域
1. 1 车道标线特征提取 对大量图像序列进行单行的水平灰度 抽样分
析, 标线处( 图 2 中点坐标为 40 左右) 的灰度有一个 突起的峰值. 据此, 本文利用标线灰度高于其两侧邻 域灰度的知识, 综合提取标线的局部特征: 灰度值和 连通性, 搜索相应特征点.
1 初始检测
鉴于我国交通法规规定车辆靠右行驶, 本文中
基金项目: 国家自然科学基金重点项目资助( 60134010) 收稿日期: 2006- 02- 13 修改日期: 2006- 02- 13
11 72
传感技术学报
2007 年
的道路模型均规定为左侧是车道白线, 右侧是道路 边界. 首先, 利用亮度特征动态寻找路面与背景( 非 陆地区域) 的分界线. 采用均值投影法, 形成水平灰 度投影. 投影图中的第一个极值对应的水平位置认 为是分界线所在处. 把路面分界线以下的图像部分 定义为感兴趣区域, 并将此其靠左边的 2/ 3 部分作 为标线检测区, 靠右边的 2/ 3 部分作为道路边界检 测区( 如图 1 所示) .
一种基于单目视觉的车道偏离检测与预警方法
法 ［］ 哈 尔 滨 工程 大 学 学 报 ， ０ ８ ９ １ ） １８ — ０ ２ Ｊ． ２ ０ ， （０ ：０ ８ １９ ． ２
△
（ 辑 小 前 ） 编
ｆ ２２ 固 ０／ １５
机械制造 ５ ０卷 第 ５３期 ７
增 强 的 方 法 得 到 梯 度 图 像 ， 用 Ｓ ＡＮ 算 子 对 该 梯 度 利 ＵＳ
由 于车 道 偏离 引 发 交通 事 故 的 比重 不 断增 加 ， 车 道 偏 移 预 警 系 统 作 为 车 辆 安 全 辅 助 驾 驶 系 统 的 重 要 组 成 部 分 已 经 成 为 了 当 前 的 研 究 前 沿 和 热 点 ［２， 主 要 １ ］其 －
Ｏｆ ｅ ｆ ｒ ｎ ｅ Ｆ ｆ ｔＤｉ ｅ ｅ ｃ ， ＯＤ） 基 于 车 辆 将 横 越 车 道 边 界 的 时 ｓ ｆ ，
１３ Ｈｏ ｇ 变 换 提 取 直 线 ． ｕｈ
Ｈｏ ｇ 变 换 是 一 种 鲁 棒 性 好 的 直 线 检 测 方 法 ， ｕｈ 其
该 方 案 能 够 检 测 出 完 整 的运 动 车 辆 ，具 有 良好 的 可 靠
性 和鲁棒 性 ， 足智 能交通 系统 的要求 。 满 以上 方 法在 一 定 程度 上 能够 满 足应 用 的 需求 ， 但 是如 何快 速地识 别 车道 ， 迅速 地作 出车道 偏 离决 策 。 并 使 车 道 偏 离 预 警 系 统 同时 具 备 实 时 性 和 鲁 棒 性 ． 以 及 如何 调整 它们 之间 的矛盾关 系 始终是 一个难 点 。 此 ， 因 针 对 以 上 方 法 的 不 足 之 处 ， 本 文 将 车 辆 在 车 道 中 的 当
图 像 进 行 分 割 ， 现 了 车 道 标 识 线 边 界 的 提 取 。 分 割 实 在 后 的 梯 度 图 像 中 ， 用 Ｈｏ ｇ 利 ｕ ｈ变 换 提 取 出 车 道 标 识 线
基于视觉的车道线检测算法研究与应用
基于视觉的车道线检测算法研究与应用随着汽车保有量的增加，道路交通安全问题日益凸显。
车道线作为道路交通规则的重要组成部分，对于驾驶员行车安全有着至关重要的作用。
因此，车道线的准确检测对于智能驾驶系统和驾驶员辅助系统的发展具有重要意义。
基于视觉的车道线检测算法是一种常见且有效的方法，它利用车辆装备的摄像头对道路图像进行处理和分析，以实现车道线的检测和跟踪。
该算法主要分为图像预处理、特征提取和车道线识别三个步骤。
首先，图像预处理是车道线检测算法中的重要步骤之一。
通过对图像进行灰度化处理、高斯滤波和边缘检测，可以减少图像中的噪声和干扰，提高车道线的辨识度和准确性。
其次，特征提取是车道线检测算法的核心环节。
常用的特征提取方法包括Hough变换、卷积神经网络等。
这些方法可以根据车道线的特征进行模式匹配和曲线拟合，从而实现车道线的提取和识别。
最后，车道线识别是基于视觉的车道线检测算法的最终目标。
通过将特征提取得到的车道线信息与实际道路环境进行匹配，可以准确地识别出车道线的位置和形状，为驾驶员提供准确的行车指导和决策支持。
基于视觉的车道线检测算法已经在自动驾驶、驾驶员辅助系统等领域得到广泛应用。
它可以实时地检测和跟踪车道线，帮助驾驶员保持车辆在正确的车道内行驶，避免事故和违规行为。
此外，该算法还可以通过与交通信号灯、车辆和行人等其他交通参与者信息的融合，实现更高级别的驾驶决策和行为规划。
然而，基于视觉的车道线检测算法在实际应用中仍然存在一些挑战和问题。
例如，对于复杂路况下的车道线检测，如曲线道路、弯道和交叉口等，算法的准确性和鲁棒性仍有待提高。
此外，光线变化、天气条件和摄像头质量等因素也会对算法的性能产生影响。
综上所述，基于视觉的车道线检测算法是一种重要的研究方向和应用领域。
通过不断改进算法的准确性和鲁棒性，可以为智能驾驶系统和驾驶员辅助系统的发展提供支持，提高道路交通的安全性和效率。
一种基于单目视觉的车道偏离检测与预警方法
一种基于单目视觉的车道偏离检测与预警方法
郭子逸
【期刊名称】《机械制造》
【年(卷),期】2012(50)5
【摘要】提出了一种基于单目视觉的车道偏离检测及预警方法.首先通过图像边缘检测、Hough变换以及最短距离加权最小二乘法等步骤求取消失点,然后利用消失点的特性,结合扇形投影法进行道路边界线检测并对车道线进行快速提取,进而获取车道路面信息,最后将车辆当前位置信息与车道路面信息结合起来建立车道偏离预警模型,一旦车辆偏离预定车道即发出预警,从而实现车辆偏离车道的实时监测和预警.实验表明,该方法能够满足结构化道路环境车道偏离检测的要求/是一种有效、可靠的车道偏移检测与预警方法.
【总页数】5页(P86-90)
【作者】郭子逸
【作者单位】武汉理工大学能源与动力工程学院武汉430063
【正文语种】中文
【中图分类】TH128;TP317.4
【相关文献】
1.基于单目视觉的车道偏离预警算法研究
2.基于单目视觉的车道偏离预警系统
3.基于单目视觉的车道偏离预警系统
4.基于单目视觉的车道偏离预警系统设计
5.多场景车道线检测与偏离预警方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
10.16638/ki.1671-7988.2019.01.015基于单目视觉的车道边缘检测及中心线提取算法研究孙悦（长安大学汽车学院，陕西西安710064）摘要：车道线检测是无人车环境感知模块的重要组成部分。
为实现对智能小车循迹过程中的精准控制，文章提出了一种新的车道中心线的提取算法。
首先对图像进行处理，根据光照条件不同进行分类，之后用霍夫变换特征提取方法来检测车道线；根据图像中车道线的几何关系以非拟合的方式得到正确的车道中心线。
所提出的方法在规定地图中可以完成完整的车道保持，尤其在弯道中保持良好。
实践证明，该智能小车的车道中心线提取准确、稳定、计算速度快。
关键词：图像处理；智能小车；霍夫变换；车道中心线中图分类号：U461.4 文献标识码：A 文章编号：1671-7988(2019)01-47-03The overall design of medium-sized trucks based on PythonSun Yue( Chang'an University, Shanxi Xi'an 710064 )Abstract:Lane line detection is an important part of the unmanned vehicle environment awareness module. In order to achieve precise control of the tracking process, this paper proposes a new lane center line extraction algorithm. Firstly, the image is processed, classified according to different lighting conditions, and then the Hough transform feature extraction method is used to detect the lane line; the correct lane center line is obtained in a non-fitting manner according to the geome -tric relationship of the lane lines in the image. The proposed method can complete a complete lane keeping in a prescribed map, especially in a corner. Practice has proved that the lane center line of the smart car is accurate, stable and fast. Keywords: Image Processing; Smart car; Hough transform; Lane centerlineCLC NO.: U461.4 Document Code: A Article ID: 1671-7988(2019)01-47-03前言近些年，随着雷达、摄像头、传感器的升级换代，各种智能驾驶辅助技术成了汽车行业前瞻研究的热点课题：自动跟车、车道保持、自动泊车等，但智能驾驶算法实车验证成本大，硬件设备复杂，企业前瞻研究和高校科研都基于单片机或树莓派的智能小车进行方法验证。
车道中心线的位置主要用于估计车辆位置，作为车道保持算法的输入。
目前，国内外研究人员提出了多种基于摄像头的车道线识别和车道中心线提取方法。
曹旭光[1]在非结构化道路识别中，用估计中值截距法和最小二乘法进行车道线拟合；Marc Revilloud[2]等通过对车道线进行标记来改善车道的检测和估算算法，在置信度图中使用车道估计的轮廓得到车道标记的面积；Yue Wang[3]等提出基于B-Snake的车道检测和跟踪算法，能够描述更宽范围的车道结构。
但当车道线作者简介：孙悦（1995-），女，硕士研究生，就读于长安大学汽车学院。
4748 曲率较大时，以上方法的车道中心线提取效果就会变差。
本文就此种情况提出了一种适合智能驾驶小车的快速车道中心线提取方法，对场景地图中的直道、弯道等复杂车道的中心线进行识别提取，使小车可以实现自主循迹。
1 硬件搭建本文设计的为基于Arduino 和树莓派平台的差速舵机转向小车，由图像采集模块、驱动模块、转向模块、通信模块组成，控制系统选择树莓派3b 微控制器作为核心处理器，结合GPIO 及无线通信接口为智能小车提供了一个功能强大具有扩展性的硬件平台。
图1为智能小车结构详解。
图1 智能小车结构图（a ）中：1-摄像头，2-超声波雷达，3-舵机，4-电机，5-Arduino ，6-树莓派2 图像分类处理当受到光线影响时，图像的像素信息会有变化，因此不同光线下应对图片做不同的处理。
图像整体灰度均值是一种全局统计特征，受到局部影响的因素较小，有很强的滤波局部噪声误差的能力[4]。
经试验统计发现，图像的整体灰度均值能够很好的反映出图像的光照强度[5]。
因此本文选择以图像灰度均值作为图像分类标准，将图像分为三类：强光、正常光和弱光。
灰度均值计算公式为：（1）其中，μ为灰度均值，M 为灰度值最大值，n i 为某个灰度值的个数，a 、b 分别为图像的长与宽，a*b 为整个图像的像素点。
（a ） （b ） （c ）图2 强光图像初步处理后运用Canny 算子进行边缘检测：首先进行高斯滤波，平衡图像判断的噪声；用一阶偏导有限差分计算梯度幅值和方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。
该算子提取的车道线边缘完整,，有多种参数可以设置，适应多种实际情况。
本文三种不同灰度均值图像对应着不同的二值化阙值，以强光处理为例，如图所示。
图2（c ）为图2（a ）不采用图像分类时识别的结果；图2（b ）为采用分类方法且识别为强光，调整二值化阙值后的Canny 算子识别结果，车道线识别更完整。
实践证明，以灰度均值为基础的图像分类方法可以提高车道线识别过程中边缘检测的准确性。
3 基于霍夫变换的车道线识别曲线拟合是提取车道中心线常用的方法，但小车的识别过程在树莓派中进行，需要提高算法的计算速度，降低计算占用空间。
因此本文采用车道线的几何关系提取中心线，提取到的中心线垂直于图像的X 轴，为下一单位时间内的车道中心线。
由于较远的视野对当前控制作用不大，甚至会影响到附近位置判断的准确性，因此在选取图像时要截掉较远的视野。
F_fllag 和R_fllag 是左右车道线的标记，等于1说明存在一侧车道线，等于零说明不存在。
3.1 双侧车道线小车视野较好时，图像可以得到完整的双侧车道线，即F_fllag =1，R_fllag =1。
根据两侧车道线的位置关系得到车道中心线的位置，公式如下：（2）其中，x center 为车道线的横坐标，b 为图像最上方的y 轴坐标，k rb 为右侧车道线的斜率，x rb 为右侧车道线与b 的交点，k lb 为左侧车道线的斜率，x lb 为左侧车道线与b 的交点。
图3是利用Python 识别车道线的结果。
红色为霍夫变换车道线识别结果，绿色为车道中心线识别结果。
图3 双侧车道线识别图3.2 单侧车道线小车在弯道行驶时通常只能检测到单侧车道线，此时F_fllag =1、R_fllag =0或F_fllag =0、R_fllag =1。
以只有左侧车道线时为例，车道中心线提取公式如下：车道线斜率大于1时：（3）（下转第52页）52 行仿真计算，并分析对玻璃升降的影响。
参考文献[1] 逄启寿,华园东,徐永谦.车门玻璃升降系统部件公差设计及优化[J].机械设计与制造,2015（5）:134-136.[2] 佟炳勇,余坤.影响车门玻璃升降的原因分析[J].汽车工程师,2013（5）:46-49.[3] 唐超群,王伟.某车型玻璃升降器失效原因分析及解决措施[J].农业装备与车辆工程,2014（52）: 64-67.逄启寿,华园东,徐永谦.车门玻璃升降系统部件公差设计及优化.机械设计与制造,2015（5）:134-136.[4] 刘小锐,吴文昌,黄启勇等.单导轨玻璃升降系统品质控制研究[J].汽车实用技术,2017（14）:3-7.[5] 孙康,靳超锋,罗竟涛.轿车车门玻璃升降阻力与导槽装配偏差的关系研究[J].机械设计与制造,2015（8）:206-213.[6] 黄燕敏.轿车玻璃导槽密封条结构改进方法[J].汽车技术,2013（6）:39-43.（上接第48页）车道线斜率小于1时：（4）其中，f 为车道中心线偏移量，c 为车道中心线偏移系数，数值大于1。
图4 单侧车道线识别图3.3 车道线复杂处图5 复杂车道线识别图由于地图复杂，在小车行驶过程中会出现很多干扰的线条。
为了避免漏检、误检，车道线提取方法应做出优化改进。
地图中，干扰线条不会出现在车道线内，且越靠近小车位置的直线斜率越小，因此根据斜率的大小筛选合适的车道线。
图5中出现了环岛的单侧车道线以及干扰线条，干扰线条的斜率较大，车道线斜率较小，识别结果如图。
4 结论本文根据已有的研究成果，提出了一种基于单目视觉的车道边缘检测及中心线提取算法研究。
首先，根据不同光照强度，图像的灰度均值不同，对图像分类，然后进行Canny 算子车道线边缘检测，在感兴趣区域进行霍夫变换车道线识别，最后根据车道线的位置关系，单侧车道线或双侧车道线进行不同的车道中心线的提取。
实验中，算法在直道、弯道和环岛中，均具有较好的检测结果。
参考文献[1] 曹旭光.非结构化道路识别及拟合算法研究[D].东华理工大学,2015.[2] M Revilloud,DGruyer,MC Rahal.A lane marker estimation methodfor improving lane detection[C].2016 IEEE 19th International Con -ference on Intelligent Transportation Systems, 2016 :289-295.[3] Yue Wang,EamKhwangTeoh,Dinggang Shen. Lane detection andtracking using B-Snake[J]. Image and Vision Computing,2003,22 (4).[4] 田磊.变光照条件CyberCar 标示符识别算法研究[D].吉林大学,2005.[5] 杨喜宁,段建民,高德芝,郑榜贵.基于改进Hough 变换的车道线检测技术[J].计算机测量与控制,2010,18(02):292-294.。