车道线检测可以有效防止车辆偏离车道而引发交通事故,是汽车辅助驾驶系统的重要技术。传统检测算法通常对原始图像进行逆透视变换,然后使用人工设计的特征实现车道线检测。随着深度学习的飞速发展,近年来研究者开始将深度神经网络运用到车道线检测中,有效提升算法应对复杂道路场景和天气的能力。本论文基于卷积神经网络的方法,针对不使用逆透视变换直接在原图上检测车道线的问题,提出了两种车道线检测算法。论文主要研究内容如下:1.基于原图和目标检测的车道线检测算法(1)提出了基于全局网格的车道线回归网络(Global Grid Lane Net,GGLNet)。针对车道线细且长、不同于目标检测网络中矩形目标的问题,本文在GGLNet中设计了 ResNet-32特征提取网络,加深了网络层数,提高了网络学习能力;实现了车道线掩码检测模块，使用网格级掩码检测车道线,提升了检测精度。(2)针对因原图中车道线不平行、在远端汇聚而导致网格级掩码难以被区分并拟合成不同车道线的问题,本文在GGLNet中设计了车道线位置标签预测模块,能够将网格级掩码划分为不同的集合,从而有效地区分原图中不同的车道线。并且,设计了随机抽样一致与最小二乘法相结合的车道线拟合方法,进一步修正车道线位置标签从而提升车道线拟合精度。在包含多种复杂路况和天气的中国城市道路数据集上的实验结果表明,基于目标检测的车道线检测算法达到了 98.5%的精确率和88.0%的准确率。2.基于原图和语义分割的车道线检测算法针对细而长的车道线与宽广的道路背景样本不均衡的问题,通过引入样本类别权重的方式改进了轻量级网络ICNet(Image Cascade Network)的损失函数,从而将 mIoU(mean Intersection over Union)从 51.8%提升至 67.1%。设计并实现了基于K-means和最小二乘法的车道线后处理方法,有效地区分和拟合不同车道线。在百度无人车车道线检测挑战赛数据集上的实验结果表明,基于语义分割的算法到达了 93.7%的精确率和92.0%的准确率。综上所述,本文提出的两种车道线检测算法可以较为有效地解决原图中车道线细且长、远端汇聚、车道线与背景样本类别不均衡的问题,为后续辅助驾驶及自动驾驶系统的开发奠定了基础。