闽南科技学院 蒋紫韵

上海电子信息职业技术学院 曹元元

车道线的检测是自动或智能辅助驾驶的核心问题之一。目前，在复杂场景下对车道线检测存在精度不高、准确性差等问题，本文提出一种基于全卷积网络及K-means聚类的分割算法，旨在解决复杂环境下车道线检测存在的问题。本文的方法通过进行大量数据的训练来获取的全卷积神经网络模型，利用模型可以准确检测到车道线，从而减少交通事故的发生。本文算法主要包括以下步骤：首先，使用图像预处理，采用二值化、直方图均衡化、中值滤波等预处理方法来获取图像的细节信息；然后，对预处理后获取的图像进行K-means聚类算法获取图像的感兴趣区域；最后，利用全卷积神经网络训练模型，检测出复杂场景下的车道线。实验证明本文算法的鲁棒性和准确性较高。

随着智能汽车快速发展，自动驾驶已成为热门话题，其中车道线识别是自动驾驶系统中的一个重要模块，可以辅助驾驶员观察车道环境，如：车道标记位置、行人和其他异常事件，减轻驾驶员的驾驶压力，实现防撞预警，降低交通事故的发生风险。因此，研究车道线检测技术有着很高的实用价值。

目前，基于机器视觉的车道线检测算法主要有两种类型，分别为基于特征的识别方法和基于模型的识别方法。在一些不良路段，如：路面存在阴影、有部分车道线存在残缺以及道路模型不符合预先假设等问题时，传统的检测方法使得识别效果降低。……