车道线检测一直以来都是自动驾驶系统中的经典课题,可以应用到后续的车道偏离预警以及车道保持等辅助驾驶的关键环节中,以提高车辆行驶的安全性。目前,随着深度学习的发展,主流的车道线检测方法已经由基于计算机视觉的图像处理方法转换为使用深度学习的方法。由于现实世界中的环境较为复杂,而且不同场景下的车道线表示方法不同,现有的车道线检测方案仍然不能同时达到实时性,准确性和鲁棒性的要求。本课题的研究对象是在园区以及周围城市道路行驶的无人车,本文针对其特定场景提出了基于深度学习的车道线检测方案,并在此基础上实现了车道偏离预警的功能。首先是数据集的制作,本文使用无人车采集的视频来制作数据集,对于不同的场景,分别进行抽帧处理,以满足不同样本之间的差异性。根据不同的车道线检测模型,分别使用了不同的车道线数据集制作方案。针对使用语义分割的方法速度较慢的问题,选择了目标检测的方法来检测车道线,提出了基于YOLOv4的车道线检测方案。采用了K-means++聚类算法对YOLOv4的anchor参数进行优化,使训练网络在车道线检测方面具有一定的针对性。根据道路鸟瞰图中车道线的分布特征,选择在纵轴方向增加了检测密度,使用了S*2S网格来划分道路图像区域,使其对车道线这种纵轴方向密度较大的对象检测效果更好。由于基于YOLOv4的车道线检测方案中没有用到车道线的结构信息,在道路磨损或者有遮挡的情况下,检测准确率较低,提出了基于行分类的车道线检测算法。在UFLD车道线检测算法的基础上,选择在道路图像的纵轴上采用大中小三种步长对图像行的位置进行采样,来解决车道线在道路图像远处的点较少的问题。采用二次曲线来对车道线的结构进行约束,使其对弯道检测效果更好。同时选择了Res Net和Mobile Net V2作为特征提取网络,分别应用在不同的设备上,解决了在嵌入式设备上运行速度较慢的问题,还采用了Tensor RT对模型进行加速处理,以得到更快的检测速度。最后选择了最小二乘法来拟合车道线,根据车辆距离车道中心的位置来判断车辆是否发生偏离,完成了车道偏离预警模块。