《表3 车道线识别准确率对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于IPM和边缘图像过滤的多干扰车道线检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

准确率指识别出的车道线与课题组采集数据集并手动标定的车道线（Ground Truth）进行对比，检查车道线之间的匹配程度。在每帧使用IPM算法处理后生成的鸟瞰图车道线上，采样10个点并将此10个点按照位置映射到本文方法识别到的车道线上，计算10个点距离车道线的偏差值，并将累计偏差值作为该条车道线与标定的车道线的误差，若累计偏差值大于50则认为识别失败，并且当1帧中识别出了不应存在的车道线或缺失车道线，那么此帧中的全部车道线被认为识别失败。对比本文方法与传统霍夫车道线检测、OTSU阈值分割检测、IPM梯度颜色特征法、消失点ROI估计方法、深度学习方法的准确率，试验结果如表3所示。由表3可以看出：由于霍夫车道线检测、IPM梯度颜色特征法和消失点方法未对非车道线区域进行过滤，因此对于有污渍水渍干扰存在情况下，车道线识别率不高。OTSU方法对于单一车道线具有较好的分割效果，但在本数据集含有大量干扰因素情况下，OTSU不能很好分割车道区域，甚至出现误分割。深度学习方法由于无法包括所有复杂干扰情况下的样本，因此仍然无法实现各种干扰路面的车道线识别。相比之下，本文方法拥有较高的识别率。