无人驾驶是未来交通运输和汽车工业的发展方向,而车道线检测是无人驾驶的关键任务。在实际的无人驾驶汽车系统中,车道线检测模块需要能够识别车道线的位置、颜色和虚实。同时,无人驾驶汽车通常基于环境栅格地图进行路径规划和智能决策,因此车道线检测的结果应该表示为栅格地图的形式。然而,传统的车道线识别方法通常仅识别车道线的位置,不识别车道线的颜色和虚实;其检测结果通常标注在图像上,由于存在透视变换引起的失真,不能反映道路平面上真实的车道线空间位置关系。为此,本文开展基于语义分割和逆透视变换的车道线检测算法研究。本文应用语义分割解决车道线检测问题,将一幅图像中的不同车道线分割为不同区域,其类别标签即为不同的车道线类型。本文提出了一个基于边缘特征融合和跨连接的车道线语义分割神经网络。首先,在主流的编码器-解码器框架下,设计了一个面向语义分割的卷积神经网络。其次,考虑到边缘特征是车道线检测中的重点,在编码端并联了一个边缘特征提取子网络,通过逐层融合边缘特征图和原始特征图增强车道线的特征。最后,为了更好地利用网络中不同语义层级的信息,建立从编码器到解码器的跨连接,在解码器逐层上采样的过程中融合编码器对应尺寸的特征图。此外,本文改进了传统车道线数据集的标注方式,使之适用于语义分割神经网络的训练和测试。在改进的数据集上进行了实验,证明边缘特征融合和跨连接结构显著地提高了基础网络对车道线的语义分割性能。本文所提网络能够在确定车道线位置的同时,区分黄线或白线、虚线或实线,在计算资源较为充足的前提下,能够达到实时的检测速度。基于车道线语义分割的结果,本文采用逆透视变换生成车道线栅格地图。由于逆透视变换依赖于相机参数,本文对车载相机的内外参数进行了标定和检验。本文根据栅格地图的大小在语义分割结果中确定感兴趣区域,通过逆透视变换生成了车道线栅格地图,作为车道线检测模块的输出结果。