周 晓，李新成，王进举

(武汉理工大学 机电工程学院，湖北 武汉 430070)

车道线是人工驾驶和自动驾驶车辆需要识别的重要目标之一[1]。但是一般情况下，车道线所处环境恶劣，在长时间的服役中，会出现不同程度的磨损、变色、变形等损坏，造成交通事故，因此需要对车道线损坏进行及时检测和修复[2-3]。

目前，对于车道线的损坏检测主要有人工检测和图像处理检测[4]。人工检测是通过检测员多年经验，对车道线进行评估来判别损坏程度，准确度较高，但是工作量大、效率低[5]。图像处理检测一般是利用传统的图像处理技术，根据车道线某一特征，如磨损面积、截断长度等进行损坏程度的评估，具有效率高、易保存等优点，但是也存在准确度低、鲁棒性差等缺点[6]。

笔者将人工检测对于车道线损坏程度评定标准定义为车道线的健康度，并对健康度分级，将车道线损坏检测转化为健康度评估分类任务。由于深度学习在分类任务中比传统图像处理方法具有更高的准确率、鲁棒性[7]，因此笔者提出了一种基于深度学习的车道线健康度评估系统。首先利用IPM(inverse perspective mapping)变换消除车道线透视变形，基于Mask R-CNN网络进行车道线区域分割，然后基于车道线区域分割结果和ResNet网络进行健康度评估。实验证明，该系统在车道线区域检测上的AP(average precision)指标可以达到0.79，车道线健康度评估准确率可以达到95%。

1 系统组成与工作原理

车道线健康度检测系统主要由图像采集系统和图像处理系统组成。……