车道线检测可以帮助汽车识别自身周围的车道线及其数量,结合车道偏离预警和轨迹规划决策,可以使汽车行驶在正确的车道中,所以车道线检测是自动驾驶技术的重要技术之一。传统的车道线检测方法高度依赖于专业化的人工设计特征来提取车道线,对于应对复杂多变的道路场景鲁棒性差。随着近几年深度学习技术的飞速发展,更多的研究者开始将深度学习技术应用在车道线检测任务中,有效提升了算法应对复杂道路场景的能力。但是目前基于深度学习实现车道线检测模型仍然存在以下不足:第一,模型对复杂道路场景的推理能力和模型轻量化还有较大提升空间;第二,大多数模型只能针对固定数量的车道线进行检测,不利于自动驾驶系统车辆变道和车辆定位等功能的实现;第三,端到端的深度学习模型可解释差,如果不对模型通过人工设定规则进行限制,过度依赖计算机的推理能力,自动驾驶系统的安全性就无法得到保证。因此,本文将车道线检测任务分解为语义分割和车道线实例化来解决上述问题。论文的主要研究内容如下:1.本文对现有的语义分割模型、卷积神经网络的轻量化技术、多尺度特征融合技术做了大量研究,基于LEDNet提出了其改进算法LEDNet＿skip。首先从多尺度特征融合能力、模型轻量化两方面对现有的语义分割模型进行评估,选择LEDNet模型作为基准线进行改进。然后提出使用跨层连接进行特征复用的方式来提高模型的准确性的假设,并设计实验进行验证分析,结果证明假设成立,模型在应对复杂道路场景时有很好的预测效果。2.本文提出了一种新的车道线实例化算法。本文基于连通域检测算法的思想,提出了新的车道线实例化算法,该算法是一种人工设定规则的算法,保证车道线实例的独立性,能实现对可变车道数的车道线检测,而且算法的可解释性强。还结合三次多项式最小二乘法对车道线做出修正。最后将车道线检测模型各部分进行集成并在图森车道线检测数据集上的测试表明,模型达到了95.72%准确率的先进水平。综上所述,本文提出的车道线检测模型能够应对复杂多变的道路场景,也具有对可变车道数的车道线的能力,模型可解释性强。同时本文提出的车道线实例化算法也可应用于其他领域对于条形目标的实例化。