吴 琳，邵士媛，李 袁，刘春霞

(郑州铁路职业技术学院，河南 郑州 451460)

随着智能交通技术的发展，行车安全和自动化越来越受到人们的关注。高级汽车辅助驾驶系统(Advanced Driver Assistance System，ADAS)和全自动无人驾驶车辆(Autonomous Vehicle， AV)已经成为汽车行业的发展趋势，不断有相关产品出现在市场上。这些系统依靠多种传感器的数据集成与分析构成路况感知系统，为车辆提供有关车道、交通路口、交通标志、交通信号、行人及其他车辆的准确信息，从而帮助车辆智能控制系统做出正确决策，有效减少事故发生率。车道检测和识别是路况感知系统的一个关键环节，其识别速度和准确性决定了车道保持、车道线偏离预警等车辆智能驾驶功能的实现效果[1]。依据国内外的研究现状，车道线检测主要有两类方法[2]：一是利用图像处理方法提取对应车道线的像素，再利用直线或曲线拟合获得车道线的几何信息，这类方法的代表是Aly提出的基于图像逆透视映射和随机抽样一致的贝塞尔样条拟合车道线识别方法；二是利用深度学习进行的，此类方法利用大量的图像数据构成训练样本集和测试样本集来训练深度神经网络模型。Gopalan 等人利用像素分级特征建立模型，并利用提升算法选取适用于车道线检测的特征。Li等人提出了一种能够提取车道几何结构信息的多任务深度卷积网络，并同时使用递归神经网络检测车道。这两类方法能够处理绝大多数复杂车道情况下的车道线检测，但是算法较为复杂，不利于在嵌入式平台上实现实时运算。……