摘要
交通行业是国家的经济命脉，极大推动着我国经济现代化和国际化的发展进程。随着交通行业智能化需求的不断增长，人工智能技术开始广泛应用于智能交通中。车道线检测是自动驾驶系统的重要组成部分，因为实时准确地捕获地面上的车道线信息是实现车辆偏移预警和运动规划的关键所在。 基于图像处理的传统车道线检测算法首先提取车道线的颜色、纹理、形状等特征，然后使用聚类或分割算法对车道线进行检测。然而传统检测算法依赖于手工制作的车道线特征，导致其仅能检测固定场景中的车道线。基于深度学习的深度车道线检测算法具有强大的特征学习能力，能够自动获取车道线特征，因而可以适用于复杂场景中的车道线检测。深度检测算法可分为图像分割算法和非图像分割算法。虽然这些算法取得了非常多的研究成果，且在大部分场景中实现了很高的检测精度和很快的检测速度。但是在复杂场景中，如恶劣的光照条件、拥挤的交通道路、地面上存在大量与车道线具有相同特性的目标或车道线信息磨损严重等，导致这些深度算法的检测性能无法满足实际任务的应用需求。因此，本文尝试在两种现有算法上进行改进，实现在复杂场景中取得良好的检测精度与速度结果。综上，本文的研究工作如下： （1）针对现有图像分割算法检测速度低的问题，设计了一种高效的车道线分割算法。首先通过改进残差网络，提出了一种能够同时学习到目标空间全局信息和局部特征信息的特征提取模块SpatRes，通过利用车道线具有的结构特性来优化骨干网络的特征提取能力；然后引入空间注意力模块SAM来计算特征解码器的输出特征图的空间注意力激活值，使特征解码器能够获得更准确的上采样结果；最后设计了一种跨越层精炼结构CLD，能够实现以非常低的计算成本使特征解码器具有更好的车道线像素分割精度。TuSimple和CULane数据集上的实验结果表明，此算法能够在复杂场景中实现很快的检测速度，满足实时检测任务的精度和速度需求。 （2）针对现有非图像分割算法检测精度低的问题，设计了一种高精度的车道线检测算法。首先设计了一种特征精炼网络FDN，通过融合骨干网络不同深度提取的特征，采用多尺度特征融合的方式提高特征提取性能；其次在FDN中构造教师和学生网络，并通过引入自注意力精炼机制，在不增加网络参数量的前提下进一步优化提取的目标特征；最后引入非局部注意力机制，充分地利用车道线的全局信息来准确地对车道线进行检测。两个数据集上的结果表明，此算法能够实现很高的检测精度，非常符合实时任务的需求。
NETL