蒙 双，陈乐庚，肖晨晨

(桂林电子科技大学电子工程与自动化学院，广西 桂林 541000)

1 引言

随着经济和科技的高速发展，汽车行业发展呈迅猛趋势。据中华人民共和国国家统计局统计，2018年中国私人汽车拥有量达20730.00万辆，车辆数量的递增意味着交通事故的发生更加频繁，其中约90%的交通事故中是人为错误酿成的。因此，为减少汽车驾驶中的人为错误而导致的交通事故，无人驾驶汽车应运而生。无人驾驶汽车最为关键的技术之一，是能够对道路信息进行检测识别[1]。而道路信息中，车道线是最为直观的信息，为确保车辆始终行驶在车道线以内的安全区域，车道线的检测就尤为重要。

传统车道线检测方法，多是对图像预处理、canny算子边缘提取后，基于卷积滤波方式，识别分割出车道线区域，同时结合霍夫变换、随机抽样一致等算法完成车道线检测[2-5]。然而，基于传统方法的车道线检测鲁棒性较差，不能够适应场景多变且复杂的交通场景。

针对传统车道线检测算法鲁棒性差的问题，文献[6-14]提出基于深度学习的车道线检测方法，收集不同环境条件下的图片作为训练样本，利用深度学习框架搭建卷积神经网络(Convolutional Neural Network， CNN)，提取车道线特征信息，完成对车道线的语义分割，经检验，基于深度学习的车道线检测具有更好的鲁棒性，适应场景广泛。然而，就当前语义分割现状而言，具有较高的语义分割精度的网络模型有FCN[15]，SegNet[16]，DeepLab[17]等，但由于模型复杂和计算量大，导致硬件要求高，实时性差，不适合应用于需要高实时性的车道线检测。……