罗胜，赵丽，王慕抽

（温州大学 计算机与人工智能学院，温州 325000）

目前，道路执法的视觉监控系统中，从静态摄像头中抽取语义信息的自动化程度较高［1-6］，能自动识别并记录违规违法行为；但是架设在执法车上的动态摄像头，其信息处理和自动化程度较低，无法自动识别违规违法行为，甚至无法准确解析道路结构。解析道路结构是自动化动态执法的基础和关键。尤其在高速道路上，识别出快车道和慢车道、路肩，随机动态执法，可以提高高速道路的通行效率，消除安全隐患。而且，道路结构化解析也是无人驾驶、辅助行驶、自主导航等智能系统至关重要的基础技术。

近几十年来，各国研究者提出了自顶向下［7］、自底向上［6，8-13］的人工设计算法，抽取道路特征解析道路，但是难于普适多种道路，而且往往侧重于当前车辆两侧的两条车道线。其中，最为经典的方法是基于Hough变换检测车道［8］，但其计算速度低。因此，Satzoda等［9］提出利用多层次Hough变换来提高计算速度，Katru［10］采用分支、合并的并行方法提高计算速度。另外，Wang等［11］提出基于B-snake的车道模型以描述更广泛的车道结构，Jung和Kelber［12］提出近场采用线性函数、远场采用二次函数的抛物线车道模型，Bertozzi和Broggi［13］采用附加非线性项的扩展双曲线处理直线和曲线之间的过渡。近十年来，深度学 习 迅 猛 发 展，迅 速 出 现 了 LaneNet［14］、3DLaneNet［15］、LaneNet+H-Net［16］、LineNet［17］、SCNN［18］、UPSNet［19］等 准 确 自 动 化 解 析 道 路 的 网络，能够结构化解析道路上的全部车道，但是计算设备复杂、昂贵，并不适合架设在车上。

传统的车道检测算法把图像空间的边缘线经Hough变换到ρ-θ空间，根据车道线总是长线的特点定位到累加值较大的候选点，再回到图像空间筛选候选线段。……