李胜，严华

（四川大学电子信息学院，成都 610065）

关键字：深度学习；计算机视觉；3D车道线检测；自动驾驶

0 引言

车道线是自动驾驶系统环境感知中的重要环节，最常见的车道线感知的解决方案是使用单目摄像机作为解决任务的主要传感器，然后使用目标检测的方法从采集到的图像检测出车道线的位置［1-4］。然而这些方法大都是假设路面是平整的，且只能提供二维车道线位置信息，当这个假设被违反时会导致系统车道线检测结果与真实路面存在严重偏差，造成自动驾驶系统安全性的潜在隐患。3D车道线检测可提供可驾驶车道相对于主车辆的3D位置的精确估计，增强了自动驾驶环境感知系统的可靠性和鲁棒性。R.Schmidt等［5］在未假设道路平坦或俯仰角恒定的基础上提出了一种基于立体视觉的3D车道检测方法。Lu Xiong等［6］提出了一种基于车道线信息的结构路面三维估计方法。Noa Garnett等［7］提出了一种基于卷积神经网络的端到端3D车道线检测算法，该算法使用两条路径处理来自车辆视图和俯视图的信息。车辆视图路径处理并保留来自图像的信息，而顶视图路径处理顶视图中的特征以输出3D车道估计。Guo等［8］在新的坐标框架中引入了一种新的几何引导车道锚定表示法，设计一种将图像分割子网和几何编码子网学习解耦的两阶段网络模型，并应用特定的几何变换从网络输出中直接计算真实的三维车道点。

然而，由于透视现象的存在，在车载摄像机采集到的图像中，近处道路在图像中占据较大的像素区域，而中远处道路的所占像素则随距离增大而越来越小，因此导致以往的车道线检测算法在道路中远处的车道线检测结果与真实值经常存在着较大的偏差。……