车道线检测为无人驾驶汽车识别出准确的车道线位置,是极其关键的道路信息感知任务之一。然而车道线的一些特性却对检测方法增加了难度——由于几何特征简单,容易被其他相似局部外观的物体所混淆。本文提出一种基于深度神经网络的两阶段车道线检测算法,其主要内容与贡献总结如下:1.轻量级的车道线分割网络的设计。第一阶段网络是从车辆前视图的逆透视变换图提取车道线的边缘图。首先基于消失点的IPM图计算算法,获取输入图像的IPM图。再采用编解码器结构获取车道线边缘。提高模型速度的同时,利用全局语义特征引导底层特征恢复高精度的掩码位置,有利于恢复同一个车道线间的连续性。采用了多扩张卷积级联方式扩大了模型的感受野,选用基于亚像素层的上采样方式。另外,基于深度可分离卷积结构对模型做出优化。2.改进的车道线定位分类模型设计。第二阶段网络型将对车道线进一步分类,定位。车道线定位模型采用编解码器结构,以车道线边缘坐标为输入,通过大量的一维卷积层将输入点进行低维化,再通过最大池化操作对输入进行顺序的脱敏处理,然后利用连通域的思想,将不同车道线上的边缘点区分开,通过最小二乘法拟合图像中的每条车线道,并使用双向GRU逐步预测描述每条车道线的参数,再将预测结果与拟合结果基于交叉熵计算损失,并训练网络。测试阶段双向GRU将直接输出预测参数,实现对车道线的跟踪。最后,将预测结果和拟合结果相结合输出。3.基于Tensor RT的模型优化加速与自建数据的整理。利用Tensor RT库,本文将提出的模型进行了垂直整合和水平组合,同时对输入数据分别使用32位或16位数值精度,验证系统检测的速度。紧凑的模型尺寸和高运行速度进一步提高本文提出的车道线检测系统实时性。为了更好的训练本文提出的网络,本文在对其他数据集的分析之后,还整理了一套全新的数据集,有利于提高网络的泛化性。