车道线检测技术是自动驾驶中的一项关键技术。车道线检测为汽车的车道保持,方向引导等功能提供了重要依据。随着自动驾驶相关技术的发展,对车道线检测技术提出了更高要求,车道线的检测不仅需要适应多变复杂的真实场景,而且要实现全天候实时准确的检测。传统的车道线检测方法难以满足实际应用需求,因此近年来基于深度学习的车道线检测技术成为研究热点。利用卷积神经网络进行车道线的检测,能有效提升算法应对道路场景变化和天气变化的能力。语义分割是目前深度学习领域内常用的车道线检测方法,但当前相关研究存在诸如语义信息利用不高,特征表述模糊等问题,因此本文在前沿工作的基础上,继续对基于语义分割的车道线检测技术进行了研究,主要工作如下:(1)提出了一种基于语义分割和像素特征实例的车道线检测方法。为实现实时准确的检测,以改进的ERFNet为基础网络设计了编解码架构的多任务车道线检测模型,将有效路面分割,车道线分割和各车道线像素特征区分任务进行联合训练,得到原图中车道线的实例结果。在后处理阶段利用形态学处理对语义分割结果进行优化,并使用聚类算法对车道线进行解析。实验证明,该方法在公开数据集的准确率高于Lane Net,SCNN等方法,在自建数据集上各指标均优于Lane Net,且检测速度达20fps,满足实时性要求。(2)提出了一种基于语义分割和时空关联信息的车道线检测方法。现有检测方法多是使用单帧图像,而车道线是连续的线状结构,相邻帧中包含丰富的相关信息。因此本文提出结合连续帧的时空关联信息对车道分割分支进行优化,在模型中嵌入长短期记忆网络(Long Short-Term Memory,LSTM)模块构建端到端网络,利用LSTM模块融合先前多帧图像信息来对当前帧中的车道线进行预测。实验结果表明,本文提出的对于车道分割分支的优化确实有效,此方法在公开数据集(Tusimple)上的效果相对提升,另外在具有挑战性的数据集上进行验证时发现,改进后算法的准确率和鲁棒性均优于原方法。本文在公开数据集与自建数据集中进行了大量的实验,验证了本文提出的基于卷积神经网络的车道线检测方法的有效性和实用性。