国内外在道路检测方面有许多研究成果,在无人驾驶车辆的研究中有着重要地位。在一个混乱的环境中，从一个移动的摄像机中得到的图像里进行道路检测是一个具有挑战性的问题。路的外观变化,决定于当天的时间,道路类型、照明、采集条件。阴影、光照变化、车道边缘信息模糊等情况都使道路识别和对环境理解的难度变得更大[3]。因此，国内外许多机构都在这些方面进行了深入的研究。23515
a.    基于视觉的道路环境识别算法
以图像处理为手段的机器视觉在智能车辆中有着重要地位，主要体现在机器视觉自适应导航系统、构建机器视觉辅助导航系统和换道超车辅助系统等方面。其中基础的方法是对摄像机捕获的图像进行图像处理，然后由边缘检测得到的边缘点进行直线拟合，最后实现是否为弯道的判断。在机器视觉的弯道图像提供了行驶道路环境的丰富信息的基础上，刘富强,田敏,胡振程[15]提出了一个基于视觉的道路环境识别算法。该算法能实时提取图像序列中的道路信息,这些信息包括车辆的位置信息、姿态信息以及道路状况,并在此基础上经过一系列的运算预测出前方道路状况,然后将道路环境信息传输给无人驾驶汽车让其修正车辆的行驶方式已达到安全行驶的目的。特别地，他们利用联合摄像机内参构建了道路的三文数学模型,在以往的大多数算法中都把道路看做平面的二文模型，这是一种新颖的方法。依靠道路标志线的颜色突变特性，该算法在提取车道边界上也取得不错的效果。同时，利用扩展卡尔曼滤波器与道路模型的结合对道路和车辆的状态进行实时跟踪分析,获取实时的道路环境信息。在标志线间断或标志线周围有干扰的各种道路下，该算法也变现出了很好的适应性，能正常的工作并检测出正确结果。同时，处于光影条件不利或者车辆前方有障碍物的情况下时算法也有较高的健壮性,能够适应复杂多变的道路环境,提供实时有效的信息数据。论文网
b.    快速公交专用车道检测方法
目前，国内外专家学者已经提出了大量道路检测算法[1-2]，主要分为两种：其中一种是特征驱动法，是通过归纳识别图像的特征来进行的检测方法。这种方法利用道路图像的某些特征（如车道线颜色、宽度以及边缘等特征）将图像的所有点分别标记为车道线点和非车道线点，然后再对非车道线点进行削弱处理并通过车道线点的特点来判断道路状况。这种方法对图像本身的要求较高（道路的车道线颜色较为明显，边缘较为清晰），否则背景信息会对道路信息产生干扰导致无法得到准确的检测结果。另一种方法是基于模型的检测方法。这种方法根据图像中提取出来的特征对预先定义好的道路模型进行匹配，把车道线的提取转化为车道线模型中参数的计算问题。其中主要有直线模型和曲线模型两种假设模型，模型假设法的好处在于它能有效的避开图像噪声对检测的干扰，能较好地处理图像中物体局部被遮挡和覆盖的情况。
此方法首先对图像进行预处理，然后对图像进行Hough变换或者Gabor变换，得到车道线位置信息，判断出车辆是否在车道内行驶，如果不在则发出预警信号。在车道线直线模型的情况下，Hough变换的适用性很强。因此Hough变换被广泛的应用于车道线检测领域。Gabor滤波器在功能上与人类眼睛的生物特性相似，由此常被用于纹理识别，具有不错的效果。Gabor滤波器是带通滤波器，它的单位冲激响应函数（Gabor函数）是高斯函数与复指数函数的乘积。它是达到时频测不准关系下界的函数，具有最好的兼顾信号在时频域的分辨能力。因为高斯函数的局部性特征，Gabor滤波器只在局部起作用具有良好的尺度特性和方向特性。因此，Gabor滤波器被广泛用于图像处理和图像分析领域。 道路检测技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_16613.html