方遒，李伟林，梁卓凡，陈韬阳

（1.厦门理工学院 福建省客车先进设计与制造重点实验室，福建，厦门 361024；2.厦门大学 航空航天学院，福建，厦门 361005）

随着人们对汽车需求的提高和人工智能技术的快速发展，高级驾驶辅助系统(advanced driver assistance system, ADAS)得到了快速的发展[1−2].ADAS 包括了自适应巡航、车道偏移报警、车道保持、碰撞避免等功能[3].车道线检测作为ADAS 获取外界信息的基本步骤之一，在其中发挥着至关重要的作用.一个准确且可靠的车道线检测方法可以帮助轨迹规划[4]、行为决策等其他模块做出正确的决策[5].

当前的车道线检测方法大致可以分为两类：一类是基于传统机器视觉的车道线检测方法，另外一类基于深度学习的车道线检测方法.

传统的方法主要通过提取人为设计的特征来检测车道线.常用的特征有边缘特征[6−8]、颜色特征[9−11]、消失点特征[12−14]等.此外，在车道线模型的选择上也可以分为直线模型[15−16]、曲线模型[17]、混合模型[18−20]等.人为设计的特征和模型作为检测的基础虽然更加符合人类的视觉感受，但是对于以计算机为基础的计算机视觉往往不是最优解.当面对复杂环境比如遮挡、车道线缺失、光照不均匀等时，传统视觉方法往往无法稳定正确地检测出车道线.

基于深度学习的车道线检测方法主要通过卷积神经网络来提取特征并进行识别.不同于传统方法的是，其特征设计是由机器学习得来的，而非人为设计.这样学习得到的特征更容易达到计算机视觉提取……