基于深度学习的车道线检测算法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

基于深度学习的车道线检测算法研究

摘要

车道线检测是自动驾驶和辅助驾驶系统中重要组成部分，是指导车辆行

驶的重要标志，能够帮助车辆保持稳定的行驶轨迹，减少因偏离车道而导致

的交通事故。因此，对于车道线检测的研究具有重要的实用价值。然而，现

实场景中车道线结构细长且特征简单，在图像中占比较小，同时因光照或道

路条件的变化，存在各种遮挡、阴影等场景，给车道线的检测带来了挑战。

除此之外，车道线检测任务还具有较高的实时性要求。针对上述问题，本文

主要做了以下三部分研究工作：

（1）为了解决图像内车道线特征提取不充分导致复杂环境下车道线检

测性能下降的问题，本文针对车道线形状提出一种特征提取网络的改进方

法。该方法基于ResNet-18模型进行设计，通过加入动态蛇形卷积与注意力

模块，提升模型对车道线相关图像的特征提取能力，并进行了消融实验，实

验结果表明对于特征提取网络的改进，提高了CLRNet车道线检测网络在

Tusimple数据集上0.16%的检测准确率。

（2）针对目前的车道线检测算法没有充分利用多层特征图，导致检测

性能不佳的问题，本文提出了基于双向特征融合的车道线检测网络

LRPANet。该网络构建了双向的特征融合网络以充分利用图像的高级特征

与低级特征，并使用分割分支辅助训练，同时提出了LGIoU损失函数。该

模型在Tusimple和CULane数据集上与近年其他车道线检测模型进行了对

比，结果显示LRPANet模型在多种场景中取得了较高的检测精度与速度。

（3）出于实际应用的需求，将LRPANet网络在JetsonAGXOrin嵌入

式平台上进行了部署。并使用TensorRT库对模型进行推理加速。加速后的

模型在FP16和INT8数据精度下，检测速度分别提升了约41%和50%，检

测准确率分别下降了0.15%和7.32%。证明LRPANet网络应用在嵌入式平

台中，仍具有较高的实时性和准确率，具备一定的工程应用能力。

关键词车道线检测；特征融合；可变形卷积；注意力机制

-I-

哈尔滨理工大学电子信息硕士学位论文

ResearchonLaneDetectionAlgorithm

BasedonDeepLearning

Abstract

Lanelinedetectionisanintegralpartofbothautonomousandassisted

drivingsystems,servingasacrucialmarkertoguidevehiclemovement,

maintainstabletrajectories,andreduceaccidentsresultingfromlanedeparture.

Therefore,researchonlanelinedetectionholdssignificantpracticalvalue.

However,real-worldscenariospresentchallenges,aslanelinesareoften

slender,withsimplefeatures,occupyingasmallportionoftheimage.

Additionally,varyinglightingandroadconditionsintroduceocclusions,

shadows,andotherobstacles,complicatinglanelinedetection