从复杂路况中提取出车道线信息是高级辅助驾驶技术的关键任务,研究多场景下结构化车道线的检测方法具有重要意义。本文通过对比分析国内外车道线的研究现状发现,大部分车道线检测算法是通过卷积滤波方法,识别分割出车道线区域,然后结合霍夫变换、RANSAC等算法进行车道线检测,这类算法需要人工手动调滤波算子,工作量大且鲁棒性较差,当行车环境出现明显变化时,车道线的检测效果不佳。另外,大多数车道线检测算法没有对多场景下车道线识别进行深入研究。基于此,本文提出一种基于深度学习的多场景下车道线检测方法。本文的主要工作内容如下:(1)道路图像预处理:对车道线多场景进行了定义,建立了车道线质量等级分类标准,提出了一种适用于神经网络特征提取的车道线标记方法,该标记方法不仅有利于神经网络提取车道线位置,还可以提供车道线类型信息。对标记好的图片进行了图像预处理,包括感兴趣区域(Region of Interest,ROI)选取,逆透视变换(Inverse Perspective Mapping,IPM),图像灰度化和图像滤波增强。结果表明,本文的图像预处理方法最大程度保留了车道线信息,为车道线识别算法提供了良好的数据信息。(2)车道线检测与跟踪:提出了一种基于深度学习的车道线检测与跟踪算法。建立了基于卷积神经网络(Convolutional Neural Network,CNN)的车道线检测网络和基于循环神经网络(Recurrent Neural Network,RNN)的车道线跟踪网络,通过训练卷积神经网络模型,先对车道线特征进行提取,将提取的车道线特征输入循环神经网络,在时间维度上进一步提取帧间车道线特征。通过大规模标定数据训练得到集成网络模型,实现车道线特征点的提取和车道线功能多场景的识别。(3)车道线拟合与后优化处理方法:通过对车道线特征点分布特性分析研究,提出了综合使用动态规划和最小二乘法确定车道线最优路径的方法。对本文提出的多场景下结构化车道线检测算法有效性进行了试验验证与对比分析,结果表明,本文提出的车道线检测算法的车道线多功能场景识别准确率可达90%以上,车道线的检测准确率可以达到95%以上,远远高于传统算法,具有较高的准确性和鲁棒性。