摘要: 随着社会的发展和科学技术水平的提高，机动车保有量近些年迅速增加，自动驾驶技术也开始备受关注。作为自动驾驶领域中的关键技术，车道线检测技术一直都是人们关注的重点，近年来，深度学习技术的成熟更是驱动其获得了长足的发展。 然而，现有算... 展开 随着社会的发展和科学技术水平的提高，机动车保有量近些年迅速增加，自动驾驶技术也开始备受关注。作为自动驾驶领域中的关键技术，车道线检测技术一直都是人们关注的重点，近年来，深度学习技术的成熟更是驱动其获得了长足的发展。 然而，现有算法仍然存在一些问题，比如对于边缘车道线检测能力较弱，容易出现漏检以及误检等。本文充分调研了车道线检测领域的数据集特点以及相关计算机视觉领域中现有方法的解决思路，对车道线检测任务中存在的问题和难点进行了细致的分析，本文主要的工作内容和创新点总结如下： （1）现有算法对视野边缘的车道线容易产生漏检。针对该问题，本文设计了一种网络连接优化方案，该方案从特征图的尺寸入手，在不添加计算模块的前提下，仅通过改变网络连接方式就提高了模型对于边缘车道线的检测能力，有效地改善了漏检情况。 （2）为了弥补使用低层特征引起的语义信息不充分的问题，同时也为了应对复杂的交通场景，本文设计了一种直角适应特征聚合模块。该模块通过空间卷积的方式可以有效利用特征的上下文信息，在进一步改善漏检的同时可以缓解大特征图引起的误检问题。与现有空间特征聚合算法相比，本文的算法参数更少，速度更快，检测精度也有所提升。 （3）本文提出了一种基于轻量级特征提取框架的车道线检测方案，该方案在TitanXp上达到了90帧每秒的检测速度，相较于基准方案的深层网络实现，本方案在TuSimple数据集上检测精度更高，检测速度更快。 收起