采用传统方式对车道线的三维空间位置进行检测时,需基于平地面假设,将图像中车道线的2D平面位置检测结果通过标定好的相机内外参数映射到平地面中以得到车道线的空间位置坐标。因不能时时保证地面是平坦的,导致采用此方式可能得到错误的车道线位置检测结果。为解决该问题,受3D-Lane Net、Gen-Lane Net工作启发,本文提出了一种基于深度学习的3D车道线检测算法,并在嵌入式平台上对该算法进行了部署。算法包含车道线分割、鸟瞰图生成及空间位置检测三个阶段,并将车载前视摄相机拍摄的车道线图像及拍摄图像时对应的相机内外参数作为算法输入,直接从图像中推理得到车道线的空间位置坐标。主要研究内容如下:1)基于图像二值语义分割的车道线检测模型。模型基于编码-特征聚合增强-解码结构,采用RESNet34作为编码部分对特征图下采样中的特征信息进行提取,采用一种循环特征聚合增强模块插入到编-解码结构之间,在特征图的局部范围与全局范围内对车道线语义信息进行全面提取,为得到精细的车道线分割结果,设计了一种基于转置卷积-插值上采样的双路径特征图上采样结构作为解码部分对特征图尺寸进行复原。模型在Apollo 3D Synthetic数据集上的MIo U取得了96.83%,在Open Lane数据集上的MIo U取得了66.97%。2)基于逆透视变换的鸟瞰图生成模型。基于相机及图像几何变换技术构建了一种逆透视变换模型,将前视图像视角下的车道线分割图映射到鸟瞰图下进行表示,为基于鸟瞰图下的车道线分割图进行3D车道线检测模型的设计提供了技术基础。3)基于鸟瞰图的车道线三维空间位置检测模型。模型基于编码-位置回归结构,采用残差连接机制构建了一种特征图下采样及特征信息提取模块作为编码部分对特征图语义信息进行充分挖掘,位置回归部分采用分组卷积加通道注意力机制模块进行构建以提高模型对车道线特征图中抽象信息的解析能力。同时构建一种车道线Anchor,用于模型对真实车道线与Anchor位置间的偏置进行推测以间接实现车道线空间位置的检测,并降低推测的难度及提高检测的准确度。模型在Apollo 3D Synthetic数据集上的F-measure达到了0.892,在Open Lane数据集上的F-measure达到了0.504,同时具备较低的位置检测误差。4)基于Jetson AGX Xavier平台的车道线检测算法移植。从工程化的角度对硬件平台的系统软件及深度学习环境进行了安装与配置,将本文提出的3D车道线检测算法在该平台上进行了部署并取得了较好的移植效果。