随着科技的迅速发展,自动驾驶、辅助驾驶等前沿技术也离我们的生活越来越近,而车道线检测技术是其中的基础支撑和关键技术。只有车道线检测系统能够准确而稳定地检测出车道线,才能给车辆的行驶提供准确可靠的指引信息。因此本文对车道线检测算法进行了深入的研究,设计了适用于复杂行车环境下的车道线检测算法,并将该算法应用于车道线检测系统中。本文的主要研究内容如下:(1)基于卷积神经网络的语义分割车道线检测算法研究。针对当前基于卷积神经网络的车道线检测方法中由于孤立地关注车道线信息而忽略交通场景中不同实体的关联性,从而导致的复杂行车环境下车道线检测准确率和稳定性降低的问题,设计了一种多任务特征聚合语义分割网络。网络通过多任务学习和特征聚合方法来挖掘车道线与车道区域之间的关联性,并通过补充关联语义信息来提升车道线分割的效果和稳定性。针对车道线分割中存在的正负样本不均衡问题,提出了一种边界约束损失函数,通过对车道线的轮廓边界进行建模,使网络更关注于车道线而非背景信息。针对车道线语义分割结果中车道线细节信息不够完善的问题,设计了一种形态学后处理方法,对网络输出的车道线分割掩码进行去噪和车道线实例划分。本文设计的车道线检测算法能够在Tu Simple数据集上获得96.43%的检测准确率,同时仅有3.36%的误检率和3.04%的漏检率,优于其他方法。(2)车道线检测系统设计及其在Android嵌入式平台的实现。为解决视频检测中由于抖动、强烈干扰等因素造成的少数视频帧出现的漏检和误检的问题,使用卡尔曼滤波跟踪方法构建车道线跟踪模型,以实现稳定的车道线检测效果。为将车道线检测系统移植至Android嵌入式平台中,对神经网络模型进行轻量化、转换和框架迁移等处理,并在Android平台中设计构建系统界面和系统处理逻辑,实现了完整的系统功能。本文将所设计算法应用到实际的检测系统中,具有一定的实用价值。