一种基于IPM-DVS的车道线检测算法

２０１５年４月　北京联合大学学报　Ａｐｒ．２０１５　第２９卷第２期总１００期　Ｊｏｕｒｎａｌ　ｏｆ　Ｂｅｉｊｉｎｇ　Ｕｎｉｏｎ　Ｕｎｉｖｅｒｓｉｔｙ　Ｖ０Ｉ．２９　Ｎｏ．２　Ｓｕｍ　Ｎｏ．１００　ＤＯＩ：１０．１６２５５／ｊ．ｃｎｋｉ．Ｉｄｘｂｚ．２０１５．０２．００８　一种基于ＩＰＭ—ＤＶＳ的车道线检测算法　郑永荣，袁家政，刘宏哲　（北京市信息服务工程重点实验室　北京联合大学，北京　１００１０１）　［摘　要］　为了提高在复杂情形下车道线检测的鲁棒性，提出了一种基于ＩＰＭ－ＤＶＳ的车道线检　测算法。首先，对视频序列中连续两帧图像进行ＩＰＭ得到鸟瞰图像，对这两帧鸟瞰图像进行差值　运算。对差值图像进行Ｓｏｂｅｌ算子卷积，然后将卷积结果与鸟瞰图像进行ＤＶＳ，实现车道线信息的　分离，最后根据车道线特征信息进行滤波检测。通过阴影、水渍、逆光等场景对该方法进行测试，　实验结果表明：该方法能在各种复杂环境中检测出车道线，具有实时性好、鲁棒性强、正确率高的　优点，适用于无人驾驶智能车视觉导航。　［关键词］　车道线检测；ＩＰＭ．ＤＶＳ；智能车　［中图分类号］　ｕ　４６　［文献标志码］　Ａ　［文章编号］　１００５—０３１０（２０１５）０２—００４１—０６　Ａｎ　Ａｌｇｏｒｉｔｈｍ　ｏｆ　Ｌａｎｅ　Ｄｅｔｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ＩＰＭ—ＤＶＳ　ＺＨＥＮＧ　Ｙｏｎｇ－ｒｏｎｇ，ＹＵＡＮ　Ｊｉａ－ｚｈｅｎｇ，ＬＩＵ　Ｈｏｎｇ—ｚｈｅ　（Ｂｅｉｊｉｎｇ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｅｒｖｉｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ　Ｕｎｉｏｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１００１０１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｒｏｂｕｓｔｎｅｓｓ　ｏｆ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ｕｎｄｅｒ　ｃｏｍｐｌｅｘ　ｃｏｎｄｉｔｉｏｎｓ，ｐｒｏｐｏｓｅｄ　ａｎ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ＩＰＭ－ＤＶＳ．Ｆｉｒｓｔ．ｇｅｔ　ｔｈｅ　ｂｉｒｄ’ｓ—ｅｙｅ　ｉｍａｇｅｓ　ｏｆ　ｔｈｅ　ｃｏｎｔｉｎｕｏｕｓ　ｔｗｏ　ｏｒｉｇｉｎａｌ　ｉｍａｇｅｓ　ｂｙ　ＩＰＭ．　Ｔｈｅｎ，ｅｘｅｃｕｔｅ　ａ　Ｓｏｂｅｌ　ｏｐｅｒａｔｏｒ　ｃｏｎｖｏｌｕｔｉｏｎ　ｏｎ　ｔｈｅ　ｉｍａｇｅ　ｏｆ　ｄｉｆｆｅｒｅｎｃｅ　ｏｐｅｒａｔｉｏｎ　ｆｏｒ　ｔｈｅ　ｂｉｒｄ’ｓ—ｅｙｅ　ｉｍａｇｅｓ．Ａｆｔｅｒ　ｔｈａｔ，ｓｅｐａｒａｔｅ　ｏｕｔ　ｔｈｅ　ｌａｎｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｔｈｅ　ｏｒｉｇｉｎａｌ　ｉｍａｇｅ　ｖｉａ　ＤＶＳ　ｏｆ　ｔｈｅ　ｒｅｓｕｌｔ　ｉｍａｇｅ　ｏｆ　Ｓｏｂｅｌ　ｏｐｅｒａｔｏｒ　ｃｏｎｖｏｌｕｔｉｏｎ　ａｎｄ　ｔｈｅ　ＩＰＭ　ｉｍａｇｅ．Ｆｉｎａｌｌｙ，ｄｅｔｅｃｔ　ｔｈｅ　ｌａｎｅｓ　ｔｈｒｏｕｇｈ　ｔｈｅ　ｌａｎｅ　ｆｅａｔｕｒｅｓ　ｆｉｌｔｅｒｉｎｇ．Ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｔｅｓｔｅｄ　ｉｎ　ｓｅｖｅｒａｌ　ｓｉｔｕａｔｉｏｎｓ，ｉｎｃｌｕｄｉｎｇ　ｉｎ　ｔｈｅ　ｐｒｅｓｅｎｃｅ　ｏｆ　ｓｈａｄｏｗ　ｅｆｆｅｃｔｓ，ｗａｔｅｒｌｏｇｇｉｎｇ，ａｎｄ　ｂａｅｋｌｉｇｈｔｉｎｇ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｃａｎ　ｄｅｔｅｃｔ　ｔｈｅ　ｌａｎｅ—ｍａｒｋｓ　ｉｎ　ｒｅａｌ　ｔｉｍｅ　ａｎｄ　ｒｏｂｕｓｔｎｅｓｓ　ｆｏｒ　ｖａｒｉｏｕｓ　ｃｏｍｐｌｅｘ　ｅｎｖｉｒｏｎｍｅｎｔｓ．Ｔｈｅ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｂｅ　ａｐｐｌｉｅｄ　ｔｏ　ｔｈｅ　ｖｉｓｉｏｎ　ｎａｖｉｇａｔｉｏｎ　ｆｏｒ　ｕｎｍａｎｎｅｄ　ｉｎｔｅｌｌｉｇｅｎｔ　ｖｅｈｉｃｌｅｓ．　Ｋｅｙ　ｗｏｒｄｓ：Ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ；ＩＰＭ—ＤＶＳ；Ｉｎｔｅｌｌｉｇｅｎｔ　ｖｅｈｉｃｌｅ　０　引言　熟，刘欣等人提出的一种基于视觉长距离预测的车　道线检测方法　已经在无人驾驶智能车平台得到　近年来，无人驾驶智能车的研究已成为人工智　验证。针对半结构化道路（城市道路）环境　’　，　能和计算机视觉的研究热点，而车道线检测是无人　陈培等人提出了一种复杂环境中的车道线检测方　驾驶智能车视觉导航的重要组成部分　。结构化　法¨　，该方法对复杂环境（如阴影、雨天、夜晚、山的　道路（高速公路）上的车道线检测算法　比较成　影响）有一定鲁棒性，但是还没有解决逆光带来的　［收稿日期］　２０ｌ５一Ｏ３一Ｏ５　［基金项目］　北京市教育委员会科技发展计划面上项目（ＳＱＫＭ２０１４１１４１７００４），北京市教育委员会创新团队项目　（ＩＤＨＴ２０１４０５０８），北京联合大学人才强校计划人才资助项目（ＢＰＨＲ２０１４Ｅ０２）。　［通信作者］　刘宏哲，Ｅ—ｍａｉｌ：ｌｉｕｈｏｎｇｚｈｅ＠ｂｕｕ．ｅｄｕ．１２ｎ　４２　北京联合大学学报　２０１５年４月　影响，并且其采用的是非ＩＰＭ检测方法　］，不能　够为智能车提供精确视觉导航轨迹。车道线检测　关键的步骤是车道线特征提取　，常用的特征有颜　色特征　、梯度特征［］６－１ｓ］、线性特征　驯和结构　特征　。在逆透视图像中车道线的结构特征比较　：　３］　突出，如车道线相互平行、车道线的宽度固定等，文　献［２１］就是利用逆透视图像中车道线的结构特征　进行距离变换实现车道线检测的，该方法在直道上　检测的正确率较高，但在弯道处的检测还不够理　想，因此比较适合直道上的视觉导航。　现有的车道线检测方法的大体思路都是先对　原始图像进行灰度化和二值化的预处理　。。　，然后　根据车道线的特征进行检测。这样的检测方法会　带来两个问题：一是丢失了原始图像的大量有效信　息，如颜色特征、纹理细节等；二是在二值化处理的　过程中如果采用固定阈值，则无法适应各种环境变　化，而采用自适应阈值算法，则会增加运算开销，使　车道线检测算法很难达到实时性。为了避免上述　两个问题的出现，本文提出了一种基于ＩＰＭ．ＤＶＳ　的车道线检测算法，该算法充分利用彩色图像的丰　富信息，通过逆透视变换差值分离（Ｉｎｖｅｒｓｅ　Ｐｅｒｓｐｅｃｔｉｖｅ　Ｍａｐｐｉｎｇ—Ｄｉｆｆｅｒｅｎｃｅ　Ｖａｂｌｅ　Ｓｅｐａｒａｔｉｏｎ，　ＩＰＭ．ＤＶＳ）的方法将车道线信息从彩色图像中分离　出来。１ＰＭ—ＤＶＳ方法就是对彩色的逆透视图像进　行差值分离，其对线状信息具有较好的分离能力，　结合车道线的线性特征，适于车道线信息的分离。　分离出来的车道线信息与路面信息具有较大的差　异性，存在较大的灰度梯度，可采用固定阈值进行　二值化处理，提高算法的实时性，从而克服了现有　算法采用自适应阈值的缺点。　１　逆透视变换差值分离（ＩＰＭ—ＤＶＳ）　原理　１．１逆透视变换（ＩＰＭ）　逆透视变换（Ｉｎｖｅｒｓｅ　Ｐｅｒｓｐｅｃｔｉｖｅ　Ｍａｐｐｉｎｇ，ＩＰＭ）　是指将透视图像转换成俯视图像的过程，如图１所　示　图１逆透视变换过程　Ｆｉｇ．１　Ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｔｈｅ　ＩＰＭ　将透视图像转换成俯视图像时需要一个转换　㈩　日　Ｈ　『０（６，　Ｄｓｔ（　，Ｙ　）＝１　ＳｒｃＡ（　，Ｙｊ）一ＳｒｃＢ（　，Ｙｊ）１。（７）　北京联合大学学报　２０１５年４月　［３］Ｚｈａｏ　Ｈｏｎｇｙｉｎｇ，Ｋｉｍ　Ｏ，Ｗｏｎ　Ｊ　Ｓ，ｅｔ　ａ１．Ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｂａｓｅｄ　ｏｎ　ａｎｎｅａｌｅｄ　ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａ１　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｎｔｒｏｌ，Ａｕｔｏｍａｔｉｏｎ，ａｎｄ　Ｓｙｓｔｅｍｓ，２０１４，６（１２）：１３０３—１３１２．　［４］　Ｈｕｒ　Ｊ，Ｋａｎｇ　Ｓ　Ｎ，Ｓｅｏ　Ｓ　Ｗ．Ｍｕｌｔｉ－ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ｕｒｂａｎ　ｄｒｉｖｉｎｇ　ｅｎｖｉｒｏｎｍｅｎｔｓ　ｕｓｉｎｇ　ｃｏｎｄｉｔｉｏｎａｌ　ｒａｎｄｏｍ　ｆｉｅｌｄｓ［ｃ］／／２０１３　ＩＥＥＥ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｖｅｈｉｃｌｅｓ　Ｓｙｍｐｏｓｉｕｍ（ＩＶ）Ｊｕｎｅ　２３—２６，２０１３，Ｇｏｌｄ　Ｃｏａｓｔ，Ａｕｓｔｒａｌｉａ：１２９７—１３０２．　［５］　Ｋａｚｕｙｕｋｉ　Ｋ，Ｋａｊｉｐｏ　Ｗ，Ｔｏｍｏｙｕｋｉ　Ｏ，ｅｔ　ａ１．Ａ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｐｅ￣ｏｎａｌ　ｖｅｈｉｃｌｅｓ［Ｊ］．Ｅｌｅｃｔｉｒｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｊａｐａｎ，２０１１，４（１７７）：２３—３２．　［６］　Ｗｕ　Ｃ　Ｆ，Ｌｉｎ　Ｃ　Ｊ，Ｌｉｎ　Ｈ　Ｙ，ｅｔ　ａ１．Ａｄｊａｃｅｎｔ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｌａｔｅｒａｌ　ｖｅｈｉｃｌｅ　ｄｉｓｔａｎｃｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｕｓｉｎｇ　ｖｉｓｉｏｎ．ｂａｓｅｄ　ｎｅｕｒｏ—　ｆｕｚｚｙ　ａｐｐｒｏａｃｈｅｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ａｐｐｌｉｅｄ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，２０１３（１１）：２５１—２５８．　［７］　Ｌｉｕ　Ｘｉｎ，Ｘｕ　Ｘｉｎ，Ｄａｉ　Ｂｉｎ．Ｖｉｓｉｏｎ－ｂａｓｅｄ　ｌｏｎｇ　ｄｉｓｔａｎｃｅ　ｌａｎｅ　ｐｅｒｃｅｐｔｉｏｎ　ａｎｄ　ｆｒｏｎｔ　ｖｅｈｉｃｌｅ　ｌｏｃａｔｉｏｎ　ｆｏｒ　ｆｕｌｌ　ａｕｔｏｎｏｍｏｕｓ　ｖｅｈｉｃ１ｅｓ　ｏｎ　ｈｉｇｈｗａｙ　ｒｏａｄｓ［Ｊ］．Ｃｅｎｔ　Ｓｏｕｔｈ　Ｕｎｉｖ，２０１２（１９）：１４５４—１４６５．　［８］　Ｃｈｏｉ　Ｈ　Ｃ，Ｐａｒｋ　Ｊ　Ｍ，Ｃｈｏｕ　Ｗ　Ｓ．Ｖｉｓｉｏｎ—ｂａｓｅｄ　ｆｕｓｉｏｎ　ｏｆ　ｒｏｂｕｓｔ　ｌａｎｅ　ｔｒａｃｋｉｎｇ　ａｎｄ　ｆｏｒｗａｒｄ　ｖｅｈｉｃｌｅ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ａ　ｒｅａｌ　ｄｒｉｖｉｎｇ　ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ａｕｔｏｍｏｔｉｖｅ　Ｔｅｃｈｎｏｌｏｇｙ，２０１２，４（１３）：６５３—６６９．　［９］　Ｗａｎｇ　Ｈｕａｎ，Ｓｈａｏ　Ｓｕｌｉｎ．Ｌａｎｅ　ｍａｒｋｅｒｓ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｃｏｎｓｅｃｕｔｉｖｅ　ｔｈｒｅｓｈｏｌｄ　ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．Ａｄｖａｎｃｅｄ　Ｍａｔｅｒｉａｌｓ　Ｒｅｓｅａｒｃｈ　Ｖｏｌｓ，２０１Ｉ（３１７—３１９）：８８１—８８５．　［１Ｏ］　Ｓｃｈｍｉｄｔ　Ｋ，Ｍａｔｔｈｉａｓ　Ｂｅｇｇｉａｔｏ，Ｋａｒｌ　Ｈｅｉｎｚ　Ｈｏｆｆｍａｎｎ，ｅｔ　ａ１．Ａ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｄｅｌ　ｆｏｒ　ｐｒｅｄｉｃｔｉｎｇ　ｌａｎｅ　ｃｈａｎｇｅｓ　ｕｓｉｎｇ　ｔｈｅ　ｓｔｅｅｒｉｎｇ　ｗｈｅｅｌ　ａｎｇｌｅ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓａｆｅｔｙ　Ｒｅｓｅａｒｃｈ，２０１４（４９）：８５—９Ｏ．　［１１］　Ｌｉ　Ｓｈａｓｈａ．Ｔｈｅ　ｒｅｓｅａｒｃｈ　ｏｆ　ｔｈｅ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅ　ｏｎ　ｖｉｓｉｏｎ　ｓｅｎｓｏｒ［Ｊ］．Ｒｅｓｅａｒｃｈ　Ｊｏｕｒｎａｌ　ｏｆ　Ａｐｐｌｉｅｄ　Ｓｃｉｅｎｃｅｓ，　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，２０１３，４（６）：６４２—６４６．　　Ｈ，Ｃｈａｄｌｉ　Ｍ，Ｒａｂｈｉ　Ａ，ｅｔ　ａ１．Ｒｏａｄ　ｃｕｒｖａｔｕｒｅ　ｅｓｔｉｍａｔｉｏｎ　ｆｏｒ　ｖｅｈｉｃｌｅ　ｌａｎｅ　ｄｅｐａｒｔｕｒｅ　ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　ａ　ｒｏｂｕｓｔ　Ｔａｋａｇｉ—　［１２］　ＤａｈｍａｎｉＳｕｇｅｎｏ　ｆｕｚｚｙ　ｏｂｓｅｒｖｃｒ［Ｊ］．Ｖｅｈｉｃｌｅ　Ｓｙｓｔｅｍ　Ｄｙｎａｍｉｃｓ，２０１３，５（５１）：５８１—５９９．　［１３］　Ｙｏｏ　Ｈ，Ｙａｎｇ　Ｕ，Ｓｏｈｎ　Ｋ．Ｇｒａｄｉｅｎｔ．ｅｎｈａｎｃｉｎｇ　ｃｏｎｖｅｒｓｉｏｎ　ｆｏｒ　ｉｌｌｕｍｉｎａｔｉｏｎ・ｒｏｂｕｓｔ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｓｙｓｔｅｍｓ，２０１３，１４（３）：１０８３—１０９４．　　Ｈ，Ｍｉｎ　Ｊ，Ｋｉｍ　Ｊ．Ａｎ　ｅｆｉｆｃｉｅｎｔ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｌａｎｅ　ｄｅｐａｒｔｕｒｅ　ｄｅｔｅｃｔｉｏｎ［ｃ］／／ＩＥＥＥ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｖｅｈｉｃｌｅｓ　［１４］　ＪｕｎｇＳｙｍｐｏｓｉｕｍ（ＩＶ）Ｊｕｎｅ　２３—２６，２０１３，Ｇｏｌｄ　Ｃｏａｓｔ，Ａｕｓｔｒａｌｉａ：９７６—９８１．　ａｉｎ　Ｄ　０，Ｇｌａｖｉｎ　Ｍ，Ｊｎｅｓ　Ｅ．Ｍｕｌｔｉｐｌｅ．ｃａｍｅｒａ　ｌａｎｅ　ｄｅｐａｒｔｕｒｅ　ｗａｒｎｉｎｇ　ｓｙｓｔｅｍ　ｆｏｒ　ｔｈｅ　ａｕｔｏｍｏｔｉｖｅ　ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．ＩＥＴ　Ｉｎｔｅｌｌ　［１５］　ＣｕａｌＴｒａｎｓｐ　Ｓｙｓｔ，２０１２，３（６）：２２３—２３４．　ｋ　Ｓ　Ｃ，Ｎａ　Ｉ　Ｓ，Ｈａｎ　Ｔ　Ｈ，ｅｔ　ａ１．Ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｉｎ　ＰＣＲ　ｇｅｌ　ｅｌｅｃｔｒｏｐｈｏｒｅｓｉｓ　ｉｍａｇｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ａｎｄ　［１６］　ＰａｒＥｌｅｃｔｒｏｎｉｃｓ　ｉｎ　Ａｇｒｉｃｕｌｔｕｒｅ，２０１２（８３）：８５—９１．　　Ｙｉｆｅｉ，Ｄａｈｎｏｕｎ　Ｎ，Ａｃｈｉｍ　Ａ．Ａ　ｎｏｖｅｌ　ｓｙｓｔｅｍ　ｆｏｒ　ｒｏｂｕｓｔ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ［Ｊ］．Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，２０１２（９２）：　［１７］　Ｗａｎｇ３１９—３３４．　ｎｇｓｈｕ，ｅｔ　ａ１．Ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｎｉｇｈｔ—ｔｉｍｅ　ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｂａｓｅｄ　ｏｎ　ｄｉｓｔｒｉｂｕｔｉｏｎ　［１８］　Ｙｏｕ　Ｆｅｎｇ，Ｚｈａｎｇ　Ｒｏｎｇｈｕｉ，Ｚｈｏｎｇ　Ｌｉｆｅａｔｕｒｅ　ｏｆ　ｂｏｕｎｄａ￣ｐｉｘｅｌｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ｔｈｅ　Ｏｐｔｉｃａｌ　Ｓｏｃｉｅｔｙ　ｏｆ　Ｋｏｒｅａ，２０１３，２（１７）：１８８—１９９．　ｚｏｄａ　Ｒ　Ｋ，Ｓａｔｈｙａｎａｒａｙａｎａ　Ｓ，Ｓｒｉｋａｎｔｈａｎ　Ｔ．Ｈｉｅｒａｒｃｈｉｃａｌ　ａｄｄｉｔｉｖｅ　ｈｏｕｇｈ　ｔｒａｎｓｆｏｒｍ　ｆｏｒ　ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｅｍｂｅｄｄｅｄ　［１９］　ＳａｔＳｙｓｔｅｍｓ　Ｌｅｔｔｅｒｓ，２０１０，２（２）：２３—２６．　ａｄｏｖｉｃ　Ｄ，Ｋｏｎｊｏｖｉｃ　Ｚ，Ｐａｐ　Ｅ，ｅｔ　ａ１．Ｌｉｎｅａｒ　ｆｕｚｚｙ　ｓｐａｃｅ　ｂａｓｅｄ　ｒｏａｄ　ｌａｎｅ　ｍｏｄｅｌ　ａｎｄ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ。Ｂａｓｅｄ　［２０］　ＯｂｒＳｙｓｔｅｍｓ，２０１３（３８）：３７—４７．　ｉａｎｇ　Ｒｕｙｉ，Ｒｅｉｎｈａｒｄ　Ｋ，Ｔｏｂｉ　Ｖ，ｅｔ　ａ１．Ｌａｎｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｕｓｉｎｇ　ａ　ｎｅｗ　ｌａｎｅ　ｍｏｄｅｌ　ａｎｄ　ｄｉｓｔａｎｃｅ　ｔｒａｎｓｆｏｒｍ［Ｊ］・　［２１］　ＪＭａｃｈｉｎｅ　Ｖｉｓｉｏｎ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１　１（２２）：７２１—７３７．　（责任编辑李亚青）