龙源期刊网
http://www.qikan.com.cn
基于语义分割的车道线检测算法研究
作者：张道芳
张儒良
来源：《科技创新与应用》
2019
年第
06
期
摘
;
要：随着半自动辅助驾驶，全自动无人驾驶系统等人工智能技术的发展和普及，驾驶
环境的检测和识别变得非常关键。文章采用语义分割的
DeeplabV3+
网络车道线对检测，不仅
克服了传统检测方法的缺陷，而且在检测的性能和效果上要优于传统的检测方法。
关键词：车道线检测
;
深度学习
;
语义分割
;DeeplabV3+
中图分类号：
TP391; ; ; ; ;
文献标志码：
A; ; ; ; ;
文章编号：
2095-2945
(
2019
)
06-0014-03
1
概述
车道线检测是辅助驾驶系统和无人驾驶的重要组成部分，它们都是通过车道线检测的结果
为无人驾驶的控制系统提供依据，车道线检测的研究有重要的研究价值和意义。因此，吸引了
国内外众多学者对车道线检测问题进行研究。
叶美松
[1]
提出了一种车道线图像检测和识别算法，主要采用
IPM
视图转换、霍夫直线的
检测、
RANSAC
算法和贝塞尔样条曲线拟合等方法，该算法在有短的、长的和明显弯曲的干
扰因素的环境中都有很好的检测效果，但是对于存在高的立状干扰物的情况下存在误检。门光
文
[2]
提出的车道线检测方法是先进行感兴趣区域的划分，再进行中值滤波，然后利用
Canny
算子提取车道线边缘信息，最后通过对传统霍夫变换添加约束条件，实现车道线的提取。该方
法能检测直线车道线，但是对于曲线车道线检测效果不好。王晓锦
[3]
采用图像预处理技术先
滤波，去除图像噪声，然后基于消失点的检测设定动态感兴趣区域
ROI
，最后提出利用极角极
径约束的
Hough
变换进行基于分段直线模型的车道线检测，该方法对于过于弯曲的车道线检
测效果不理想。隋靓等
[4]
提出一种由
Hough
变换与二次曲线模型相结合的高速公车道线识别
算法。该算法首先对图像作感兴趣区域
ROI
划分
;
再使用
LOG
算子在
ROI
边缘检测的基础上
进行
Hough
变换检测直线
;
然后根据已检测出的直线再进一步动态划分
ROI
和直线检测
;
最后通
过判断两直线段的方向变化趋势，根据判断的结果进行直线和二次曲线切换的车道线拟合。成
剑
[5]
设计了改进的
Otsu
算法提高车道线识别度
;
针对噪声对车道线边缘识别的干扰问题，重点
提出了分区域识别边缘角度，排除异常边缘线，并对去噪后的边缘线进行了补偿
;
车道线识别
阶段，着重对概率
Hough
变换及
RANSAC
算法做了改进研究，提出了直线
-
抛物线型的车道线
模型，并设计了模型区域分配的方法以解决曲线道路出现位置不定的问题，再利用最小二乘法
求出车道线模型的参数。该算法在存在长条形噪声干扰的情况下检测效果不理想。
为了解决上诉问题，本文采用基于深度学习语义分割
DeeplabV3+
网络的车道线检测。将
车道线数据集在
DeeplabV3+
网络中进行训练，学习并保存网络权重，利用保存下的权重描绘
车道线。