DÉTECTION DES LIMITES DE VOIE DANS DES ENVIRONNEMENTS DYNAMIQUES
DOI :
https://doi.org/10.59277/RRST-EE.2026.2.22Mots-clés :
Systèmes d'alerte de collision (CWS), Systèmes avancés d'aide à la conduite (ADAS), Transformée de Hough, Jeu de données, TuSimpleRésumé
La détection de voies est essentielle pour les systèmes d'alerte de collision. Cette technologie aide les véhicules à maintenir une position adéquate sur la route en identifiant les marquages au sol. Cet article présente une méthode de détection de voies au sein d'un système avancé d'aide à la conduite (ADAS) utilisant une caméra monoculaire en temps réel. L'approche utilise la transformée de Hough pour détecter les lignes de voie dans une image. Les lignes détectées sont filtrées selon des critères spécifiques, notamment l'angle, la longueur et la symétrie par rapport à l'axe central de l'image, afin de sélectionner celles qui représentent au mieux les limites de la voie. Ces techniques sont cruciales pour améliorer la précision des systèmes d'aide à la conduite en garantissant une détection fiable des voies, même dans des conditions variables. Des expériences ont été menées sous MATLAB à l'aide du jeu de données TuSimple, accessible au public et comprenant diverses images de scènes routières. Les résultats indiquent que la méthode proposée permet une détection précise des lignes de voie, ce qui est essentiel pour les systèmes d'aide à la conduite en temps réel basés sur la vision monoculaire, améliorant ainsi significativement la sécurité routière.
Références
(1) R.C. Gonzalez, R.E. Woods, Digital image processing, 4th ed., Pearson, pp. 1–500 (2018).
(2) R. Szeliski, Computer vision: Algorithms and applications, Springer, pp. 1–400 (2010).
(3) N. Otsu, A threshold selection method from gray-level histograms, IEEE Trans. Syst., Man, Cybern., 9, 1, pp. 62–66 (1979).
(4) J.F. Canny, A computational approach to edge detection, IEEE Trans. Pattern Anal. Mach. Intell., 8, 6, pp. 679–698 (1986).
(5) M. Abdelaal, H.M.A. Mohamed, T. Connie, M.K.O. Goh, Robust lane detection under varying lighting conditions using adaptive vision based techniques, Journal of Informatics and Web Engineering, 4, 3, pp. 336–355 (2025).
(6) Y. Son, E. Lee, D. Kum, Robust multi-lane detection and tracking using adaptive threshold and lane classification, Machine Vision and Applications, 30, pp. 111–124 (2019).
(7) C.-B. Wu, L.-H. Wang, K.-C. Wang, Ultra-low complexity block-based lane detection and departure warning system, IEEE Trans. on Circuits and Systems for Video Technology, 29, 2, pp. 582–593 (2019).
(8) F. Zheng, S. Luo, K. Song, C.-W. Yan, M.-C. Wang, Improved lane line detection algorithm based on Hough transform, Pattern Recognition and Image Analysis, 28, 2, pp. 254–260 (2018).
(9) J. Philion, FastDraw: Addressing the long tail of lane detection by adapting a sequential prediction network, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, USA, pp. 11574–11583 (2019).
(10) Q. Zou, H. Jiang, Q. Dai, Y. Yue, L. Chen, Q. Wang, Robust lane detection from continuous driving scenes using deep neural networks, IEEE Trans. on Vehicular Technology, 69, 1, pp. 41–54 (2020).
(11) D. Cacovean, M. Ileana, Analyse d’imagerie neurologique avancée utilisant des techniques de tenseur de diffusion et des systèmes web distribués, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 1, pp. 103–108 (2024).
(12) M.B. Priya, C. Ramakrishnan, S. Karthik, Classification et segmentation de l’écho 3D fœtal utilisant des caractéristiques de couleur et de texture pour la détection de TR, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 1, pp. 109–114 (2024).
(13) A. Appathurai, A.S.I. Tinu, M. Narayanaperumal, Détection de tumeurs cérébrales basée sur des images MEG et PET à l’aide de la segmentation Otsu de Kapur et de la classification MobileNet optimisée par la Sooty, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 3, pp. 359–364 (2024).
(14) K.Y. Chiu, S.F. Lin, Lane detection using color-based segmentation, IEEE Proc., Intell. Veh. Symp., pp. 706–711 (2005).
(15) C.Y. Chang, C.H. Lin, An efficient method for lane-mark extraction in complex conditions, 9th IEEE ICCP, pp. 330–336 (2012).
(16) C. Kreucher, S. Lakshmanan, Lane: A lane extraction algorithm that uses frequency domain features, IEEE Transactions on Robotics and Automation, 15, 2, pp. 343–350 (1999).
(17) S. Habib, M.A. Hannan, Lane departure detection and transmission using Hough transform method, Przeglad Elektrotechniczny, 89, 5, pp. 141–146 (2013).
(18) V. Hardzeyeu, F. Klefenz, On using the Hough transform for driving assistance applications, 4th IEEE ICCP, pp. 91–98 (2008).
(19) J.W. Lee, U.K. Yi, A lane-departure identification based on LBPE, Hough transform, and linear regression, Computer Vision and Image Understanding, 99, 3, pp. 359–383 (2005).
(20) Y. Wang, E.K. Teoha, D. Shen, Lane detection and tracking using B-Snake, Image and Vision Computing, 22, 4, pp. 269–280 (2004).
(21) K.A. Redmill, S. Upadhya, A. Krishnamurthy, Ü. Özgüner, A lane tracking system for intelligent vehicle applications, IEEE Intelligent Transportation Systems, Oakland, pp. 273–279 (2001).
(22) Y.U. Yim, S.-Y. Oh, Three-feature based automatic lane detection algorithm (TFALDA) for autonomous driving, IEEE Transactions on Intelligent Transportation Systems, 4, 4, pp. 219–225 (2003).
(23) ***TuSimple Lane Detection Challenge, pp. 1–10 (2017).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
