计算机应用

作者：田锦, 袁家政, 刘宏哲

单位：1. 北京市信息服务工程重点实验室(北京联合大学), 北京 100101;2. 北京开放大学 智能教育研究院, 北京 100081

关键词：车道线检测,智能驾驶,深度学习,实例分割,自适应拟合

基金：国家自然科学基金资助项目（61571045，61871028，61871039，61802019）；北京市自然科学基金资助项目（KZ201951160050）；长城学者支持项目（CIT&TCD20190313）；北京联合大学研究生资助项目。

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征，工作量大，在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高，因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点，提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型，首先利用实例分割模型对道路图像进行分割，提高车道特征信息的检测能力；然后使用聚类模型提取离散的车道线特征信息点；最后提出一种自适应拟合的方法，结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合，生成最优车道线参数方程。实验结果表明，该方法提高了检测速度，在不同场景下都具有较好的检测精度，能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。

来源：2020年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第7期