王子豪　李向军

摘  要：鉴于车道线检测在自动驾驶中占据重要地位，文章提出一种基于迁移学习的车道线检测方法，用Darknet53替代原DeepLabv3+的特征提取网络。针对图片中车道线类与背景类分布极不平衡的问题，使用Focal Loss函数替代CE Loss函数。实验结果表明，该方法的检测效果比原网络好，平均交并比达到76.95%，具有良好的准确性。

关键词：车道线检测;迁移学习;DeepLabv3+

中图分类号：TP391.4                文献标识码：A文章编号：2096-4706（2021）20-0082-05

A Lane Line Detection Method Based on Transfer Learning

WANG Zihao， LI Xiangjun

（Dalian Ocean University， Dalian  116023， China）

Abstract： Since lane line detection plays an important role in automatic driving， this paper proposes a lane line detection method based on transfer learning， replacing the original DeepLabv3+s feature extraction network with Darknet53. To solve the problem that the distribution of lane line class and background class in the picture is extremely unbalanced， the Focal Loss function is used to replace the CE Loss function. The experimental results show that the detection effect of the method is better than that of the original network， and the average cross-merge ratio reaches 76.95%， which has good accuracy.

Keywords： lane line detection; transfer learning; DeepLabv3+

0  引  言

环境感知是实现自动驾驶的重要因素之一，而车道线检测又是环境感知中的重点事项，可以广泛应用于车道偏离预警，路径规划等领域。

车道线检测方法主要分为两类，一类是利用传统方法检测，另一类是利用深度学习方法检测。传统的车道线检测方法又分为基于模型的检测方法和基于特征的检测方法两类，基于模型的检测方法将所提取的特征与已定义的模型相匹配，将车道线识别转变为参数计算问题;基于特征的检测方法即通过提取宽度、边缘梯度、颜色和强度等特征将图像的像素点标为车道线与非车道线的点，从而完成车道线检测。隋靓[1]等结合Hough变换及二次曲线模型提出一种针对高速公路的车道线识别方法;MA Chao[2]等利用颜色聚类、最小二乘法描述曲线参数，提出一种基于CIELab的车道线检测方法;杨金鑫等[3]根据逆透视变换（IPM）及大津法（OSTU）结合K-means聚类提出一种基于动态搜索框的三车道线检测方法。这些方法虽然实时性很好，但都是相对某一特定行车场景需要结合经验手动调整参数，很容易受环境场景（强光、雨雪、大雾、夜晚等）的影响。……