车道线分类检测是对不同类型的车道线进行分类检测,可为自动驾驶汽车提供变道辅助决策,是智能交通系统的首要任务。在实际驾驶场景中,复杂的道路环境使得车道线分类检测任务变得极具挑战性。近年来,深度学习的快速发展为解决复杂道路场景下的多类型车道线分类检测提供了一种新的方案。本文主要针对复杂道路场景下多类型车道线分类检测方法进行展开研究,主要工作内容如下:1.提出了一种基于Mask R-CNN的多类型车道线分类检测方法。针对Mask R-CNN主干网络特征提取能力不足的问题,首先引入改进下采样块的Res Net-D。其次,针对深层残差网络作为主干网络,导致模型运算速度慢的问题,引入知识蒸馏策略实现主干网络的轻量化,在保障模型精度的前提下,进一步提升模型的运算速度。最后,在满足Mask R-CNN标注形式且区分车道线类型的数据集上验证该方法。实验结果表明,本文方法能够完成实线、虚线、斑马线三类车道线的检测及分割。2.提出了一个全新的两阶段多类型车道线分类检测网络。第一阶段为车道线检测网络,第二阶段为车道线分类网络。针对第一阶段的车道线检测网络,首先引入基于结构感知的超快速车道线检测网络UFLD作为研究基础。其次,从权衡检测精度和速度两方面考虑,构建了高效残差Res Ne Xt作为UFLD的特征提取网络。最后,在带类别标签的Tu Simple数据集上验证该方法。实验结果表明,在均满足实时性的前提下,本文方法相较于使用Res Net-18和Res Net-34的原UFLD,检测精度分别提升了4.78和3.12个百分点,速度可达223.99FPS。3.提出了一个基于轻量化卷积的车道线分类网络。针对原两阶段中基于标准卷积的车道线分类网络,引入轻量化卷积进一步缩减网络模型的参数量。其次,为解决多类型车道线描述符样本不均衡的问题,通过数据增广的方式扩充了双虚线样本数量,构建了车道线分类网络的数据集。实验结果表明,本文方法相较于原车道线分类网络,在没有影响分类结果的前提下,运算速度提升了22.086FPS,整体两阶段模型的运算速度可达82.049FPS。本文的两阶段车道线分类检测网络更具实用性。