改進FCN的車道線實例分割檢測方法

鄧天民，蒲龍忠，萬 橋

(重慶交通大學(xué) 交通運輸學(xué)院，重慶 400074)

0 引 言

近年來，隨著無人駕駛技術(shù)的不斷發(fā)展，車道線檢測作為無人駕駛領(lǐng)域關(guān)鍵的一環(huán)也得到了更多學(xué)者的關(guān)注研究。在實際駕駛場景中，路況復(fù)雜多變，車道線線型也多種多樣，以至于車道線檢測任務(wù)難度較大，適用于無人駕駛的車道線檢測技術(shù)還不夠完善。

傳統(tǒng)的基于模型的方法利用三次均勻B樣條曲線模型結(jié)合霍夫變換擬合車道線[1]和使用NMPC的方法實現(xiàn)車道線的跟蹤檢測[2]；基于特征的方法主要通過環(huán)境顏色[3]、車道線紋理[4]和車道線幾何形狀[5]等搭配霍夫變換[6]或濾波[7]的方法來識別、檢測車道線，但傳統(tǒng)方法因計算量大，在車輛遮擋和地面污損等復(fù)雜道路場景下泛化性差，精度低等原因已不適用于自動駕駛，因此，基于深度學(xué)習(xí)的方法應(yīng)運而生。He等[8]提出利用前視圖區(qū)分行駛車道和車輛，利用俯視圖區(qū)分車道線和箭頭等的CNN(convolutional neural networks)模型，效果較好但實時性較差。編解碼器體系結(jié)構(gòu)(visual geometry group，VGG)[9]、殘差網(wǎng)絡(luò)(residual network，ResNet)[10]以及全卷積網(wǎng)絡(luò)(fully convolutional network，F(xiàn)CN)[11]等的提出解決了車道線檢測中卷積神經(jīng)網(wǎng)絡(luò)會造成空間信息的部分丟失問題；Enet(efficient neural network)[12]通過設(shè)置主分支和擴展更快、更有效進行大規(guī)模計算以提升車道線檢測速度。但大部分基于深度學(xué)習(xí)的方法檢測結(jié)果不夠準(zhǔn)確、檢測速度慢，達不到安全性和實時性的要求。

針對以上問題，本文提出將車道線檢測問題轉(zhuǎn)換為實例分割問題以識別車道線的方法。首先基于改進FCN神經(jīng)網(wǎng)絡(luò)提高車道線信息特征提取能力，得到車道線的像素點圖和二值化語義分割圖；然后通過聚類算法對車道線像素點進行聚類并形成不同實例；最后通過逆透視變換和最小二乘法對車道線進行擬合，得到擬合后的車道線檢測模型。

1 改進FCN的車道線檢測方法

全卷積網(wǎng)絡(luò)(FCN)是一種在不帶有全連接層的情況下能進行密集預(yù)測的網(wǎng)絡(luò)[13]，它不同于CNN網(wǎng)絡(luò)通過全連接層得到的特征向量以進行目標(biāo)分類，F(xiàn)CN在VGG16網(wǎng)絡(luò)架構(gòu)基礎(chǔ)上將全連接層改變?yōu)榫矸e層，使用上采樣操作對末端特征圖進行處理，最后得到與輸入圖像尺寸一致的特征圖，從而充分保留原圖的空間信息，同時也能提取特征讓每個像素得到一個預(yù)測值，從而解決了語義級別的圖像分割問題。基于FCN網(wǎng)絡(luò)結(jié)構(gòu)，本文通過網(wǎng)絡(luò)卷積優(yōu)化改進和網(wǎng)絡(luò)分支設(shè)計等操作，提出一種基于改進FCN的車道線實例分割檢測方法。

1.1 FCN-VGG16網(wǎng)絡(luò)架構(gòu)

本文采用FCN-VGG16作為車道線檢測的網(wǎng)絡(luò)主體結(jié)構(gòu)，該網(wǎng)絡(luò)包含多個編碼器層和解碼器層，編碼器層和解碼器層為一一對應(yīng)關(guān)系。

VGG16總共有16層，其中包含13個卷積層和3個全連接層，在輸入任意大小圖片尺寸后，首先通過兩個64卷積核卷積，進行一次池化(max pooling)，然后再次經(jīng)過兩次128個卷積核卷積后進行池化操作，再重復(fù)兩次3個512個卷積核卷積后，再次池化，最后經(jīng)過三次全連接。其中，VGG16使用了3×3的小型卷積核，是最小的能夠捕獲上下左右和中心概念的尺寸，足以捕捉到橫、豎以及斜對角像素的變化。每層卷積的滑動步長stride=1，padding=1。VGG16的池化核為2×2，stride=2。在編碼過程中，通過多個卷積層提取圖像特征，增加通道；通過多次池化操作來縮減輸入數(shù)據(jù)的空間維度，增大感受野。部分網(wǎng)絡(luò)使用大尺寸卷積核來提升感受野，這樣對模型來說確實有提升，但增加了模型的參數(shù)量，訓(xùn)練時間更久，檢測時間也隨之加長，而VGG16使用小尺寸卷積核的模型訓(xùn)練時間更短，實時處理能力更強。

FCN在VGG16網(wǎng)絡(luò)基礎(chǔ)上對最后一個卷積層的熱點圖進行上采樣層(up sampling)來還原圖像尺寸，進行輸出圖逐元素疊加作為解碼器輸出，在逐像素的訓(xùn)練后，對每個像素都產(chǎn)生預(yù)測，最后逐像素分類預(yù)測顯示在上采樣后的特征圖上，得到語義分割圖。基于FCN的圖像語義分割算法流程如圖1所示。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)改進

FCN網(wǎng)絡(luò)能夠進行目標(biāo)分類和語義分割，因此可以對其改進以解決車道線檢測問題。本文設(shè)計的基于FCN的改進網(wǎng)絡(luò)為雙分支結(jié)構(gòu)網(wǎng)絡(luò)，用分割的方法解決車道線檢測問題。網(wǎng)絡(luò)直接輸出車道線像素以及每個車道線像素對應(yīng)的ID(類別)，進行顏色區(qū)分，進而實現(xiàn)車道線檢測。網(wǎng)絡(luò)主要從以下4個方面進行改進：

(1)多分支網(wǎng)絡(luò)設(shè)計。通過疊加嵌入分支和分割分支，可得到兩個分支分別輸出的預(yù)測圖，實現(xiàn)端到端訓(xùn)練；

(2)網(wǎng)絡(luò)壓縮。通過對網(wǎng)絡(luò)結(jié)構(gòu)的壓縮，減少不必要的卷積層，加快訓(xùn)練和檢測的速度，提高網(wǎng)絡(luò)的實時性；

(3)卷積核替換。將網(wǎng)絡(luò)編碼結(jié)構(gòu)中最后一層卷積的常規(guī)正方形卷積核替換為非對稱卷積核，非對稱卷積能保證與常規(guī)方形卷積的結(jié)果等價的同時降低運算量；

(4)激活函數(shù)設(shè)計。使用FReLU激活函數(shù)，更好適用于當(dāng)前的實例分割檢測項目。

改進的FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

1.2.1 多分支網(wǎng)絡(luò)設(shè)計

如圖2所示，編碼階段第四次最大池化層的輸出分別被輸入到兩個卷積塊，進行多任務(wù)分支分別用于二值分割(binary segment)和實例分割(instance segment)卷積操作。相對應(yīng)的，兩個編碼過后開始兩個解碼操作，對每一個卷積塊的輸出進行相應(yīng)的上采樣(使用反卷積上采樣)，并層層進行輸出圖逐元素疊加，然后采用DBSCAND聚類方法，將嵌入分支的單個車道線像素點以二值化分割圖為基礎(chǔ)進行聚類，兩分支結(jié)合訓(xùn)練和預(yù)測，大幅提升模型的預(yù)測精度，保證預(yù)測結(jié)果的準(zhǔn)確性。本文將改進后的FCN網(wǎng)絡(luò)命名為MB-FCN(multitasking branch fully convolutional networks)。

(1)車道線語義分割(segmentation branch)

主要用于獲取車道像素的分割結(jié)果，即篩選出車道線像素和非車道線像素，將圖像像素點分為車道線和背景，并輸出一個二值化圖像。

由于圖像中車道線和背景的像素點分布不均衡問題會出現(xiàn)在訓(xùn)練集的構(gòu)建中，尤其是在圖像中出現(xiàn)車道線被車輛遮擋或者沒有清晰車道線時，為提高車道線檢測的準(zhǔn)確率，訓(xùn)練集會補充被遮擋或不清晰的車道線，采用可較快更新網(wǎng)絡(luò)參數(shù)數(shù)值的交叉熵?fù)p失函數(shù)訓(xùn)練二值化分割模型效果較好，計算交叉熵?fù)p失的函數(shù)為

(1)

(2)車道線嵌入分割(embedding branch)

車道線嵌入分割部分主要進行實例分割操作，將圖像中的車道線像素點劃分為不同的車道線實例。該網(wǎng)絡(luò)解碼得到的輸出圖中每一個像素對應(yīng)一個N維的向量，在該N維嵌入空間中同一車道線的像素點距離更接近，而不同車道線的像素點的向量距離較大。根據(jù)該特點，聚類同屬于一車道的特征點，聚類損失函數(shù)L由L1和L2組成，其中，L1負(fù)責(zé)拉近嵌入的同屬一車道線的像素點，L2負(fù)責(zé)分離并推散嵌入的相異車道線的像素點。損失函數(shù)L設(shè)計如下

(2)

(3)

L=L1+L2

(4)

其中，C代表車道線數(shù)量；Nc表示某一車道線的聚類像素點數(shù)。μc代表某一車道線像素點的嵌入均值向量值；xi表示某一像素點的嵌入向量；μCA與μCB表示兩不同車道線所含的不同像素點 (CA,CB) 的均值向量；δ1、δ2分別為聚類半徑和集群聚類距離閾值，均為人為設(shè)定； [x]+=max(0,x)。

實驗時，為了將像素進行聚類，在上述的實例分割損失函數(shù)中設(shè)置δ2>6δ1。 本文采用基于密度的空間的聚類算法DBSCAN，將相鄰車道區(qū)分開來，從而得到獨立的單個車道線像素圖。DBSCAN可以在具有噪聲的數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，能夠連接密度足夠大的相連區(qū)域，通過空間數(shù)據(jù)分布的緊密程度決定聚類情況，直到將所有的車道線像素分配給對應(yīng)的車道。

1.2.2 網(wǎng)絡(luò)壓縮

卷積網(wǎng)絡(luò)結(jié)構(gòu)一般比較復(fù)雜，多層卷積可以更好的提取特征，但是過多的卷積結(jié)構(gòu)會造成信息冗余且不會較好提升精度。因此本文在不影響訓(xùn)練和測試精度的情況下對VGG16網(wǎng)絡(luò)第二次池化后的第三次卷積和第四次池化后的第三次卷積進行相應(yīng)的剪除，以加快運算速度，滿足智能駕駛的實時性需求。壓縮后的網(wǎng)絡(luò)編碼結(jié)構(gòu)見表1。

1.2.3 卷積核替換

本文使用3×1和1×3的非對稱卷積核替代原VGG模型中的3×3卷積核。

普通卷積核大小通常為3×3或5×5，用以對圖像進行特征的提取，VGG模型卷積操作中使用的為3×3的卷積核，本文在網(wǎng)絡(luò)編碼結(jié)構(gòu)中最后一層卷積中利用3×1和1×3的非對稱卷積核替代3×3卷積核(圖3)，因為高層次的卷積中圖片大小較小，較為適用非對稱卷積操作[14]，使用非對稱卷積操作不僅可以降低大量的參數(shù)，加快訓(xùn)練和檢測速度，而且可以保證與常規(guī)3×3卷積相同的效果。

表1 網(wǎng)絡(luò)編碼結(jié)構(gòu)

1.2.4 激活函數(shù)的選擇

本文采用一種能用于圖像識別任務(wù)的簡單但有效的激活函數(shù)，F(xiàn)ReLU激活函數(shù)[15](圖4)，通過增加一個空間條件來擴展ReLU/PReLU函數(shù)，通過非常小的運算開銷，將對空間不敏感的激活函數(shù)擴展為擁有視覺擴展并自動建立模型的激活函數(shù)。相較于傳統(tǒng)的Sigmoid、TanH等激活函數(shù)可能出現(xiàn)的梯度消失、函數(shù)值輸出為常數(shù)、網(wǎng)絡(luò)收斂困難等問題；FReLU激活函數(shù)不僅可以提高單個任務(wù)的性能，也不存在梯度消失問題，且運算速度較快，還可以進行稀疏表達，也使模型的收斂速度維持在一個穩(wěn)定狀態(tài)，可以很好地遷移到其它視覺任務(wù)。激活函數(shù)表示為n=max(m,T(m))， 其中T(m) 表示擴展運算的特征提取法。

為了實現(xiàn)空間條件，使用參數(shù)化池化窗口(parametric pooling window)來創(chuàng)建空間依賴性(使用高度優(yōu)化的深度可分離卷積算符和BN層來實現(xiàn))

f(mc,i,j)=max(mc,i,j,T(mc,i,j))

(5)

(6)

FReLU函數(shù)的設(shè)計可以讓每個像素點在激活操作中產(chǎn)生空間視野，在對空間的響應(yīng)中進行非線性變換并提升對視野的依賴性。函數(shù)max(·) 給每個像素提供了一個看空間背景或不看空間背景的選擇。考慮一個有n個FReLU層的網(wǎng)絡(luò) {F1,F2,…,Fn}， 每個FReLU層Fi有h×h個參數(shù)窗口。為了簡潔起見，只分析FReLU層，而不考慮卷積層。由于最大選擇在1×1和h×h之間，所以F1之后的每個像素都有一個激活函數(shù)集 {1,1+x}(x=h-1)。 在Fn層之后，集合就變成了 {1,1+x,1+2x,…,1+nx}， 這給每個像素提供了更多的選擇，如果n足夠大，可以近似于任何布局，如圖5所示。

圖5中不同大小的正方形代表了頂部激活層中每個像素的不同激活場。 max(·) 允許每個像素選擇在每層中尋找或不尋找，在足夠多的層數(shù)后，形成大量大小不一的方塊。因此，不同大小的方塊可以近似于圖5(a)斜線的形狀，圖5(b)弧線的形狀，這些都是比較常見的自然物體布局，弧線也適用于彎曲的車道線檢測。

1.3 車道線擬合

為了方便擬合車道線像素點，本文采用逆透視變換，將運動圖像轉(zhuǎn)換成俯視圖。其中將現(xiàn)實世界中的點P′(XW,YW,ZW) 從世界坐標(biāo)系到相機坐標(biāo)系的關(guān)系如圖6所示，轉(zhuǎn)換公式如下

(7)

式中：H為旋轉(zhuǎn)矩陣，T表示偏移向量，即坐標(biāo)的平移。P(XC,YC,ZC) 為對應(yīng)的相機坐標(biāo)系中的點。

在得到相機坐標(biāo)后，要將屬于透視投影關(guān)系的三維相機坐標(biāo)系轉(zhuǎn)化為平面坐標(biāo)系，再通過平面坐標(biāo)系轉(zhuǎn)化為圖像坐標(biāo)系，其中，相機坐標(biāo)和平面坐標(biāo)轉(zhuǎn)換的公式為

(8)

(9)

其中，k為相機焦距，為相機坐標(biāo)原點與圖像坐標(biāo)原點的距離，點 (x,y) 為在圖像坐標(biāo)系的成點。

從平面坐標(biāo)得到圖像坐標(biāo)系， (u,v)， (x,y) 分別表示以像素為單位的圖像坐標(biāo)系的坐標(biāo)和以毫米為單位的圖像坐標(biāo)系的坐標(biāo)，如圖7所示。

像素坐標(biāo)系和圖像坐標(biāo)系都在成像平面上，圖像坐標(biāo)轉(zhuǎn)換為像素坐標(biāo)的公式如下

(10)

最終通過上面坐標(biāo)系的轉(zhuǎn)換就可以將一個點從世界坐標(biāo)系轉(zhuǎn)換到像素坐標(biāo)系。圖8為根據(jù)相機采集的原圖進行逆透視變換后的鳥瞰效果圖。

通過逆透視變換的方法，得知每個像素點屬于哪個車道后，將像素點集合轉(zhuǎn)換為鳥瞰圖，并對不同車道分配不同ID，將每一個車道實例進行參數(shù)曲線擬合并用不同顏色線條表示不同車道線。常用的擬合模型有霍夫變換、最小二乘法、三次曲線和貝塞爾曲線擬合[16-18]。本文采用最小二乘法對車道線像素點進行擬合，為了得到真實的預(yù)測情況，最后還要將擬合后的曲線回歸原始圖片中，得到更好的車道線檢測效果。

2 實驗及結(jié)果分析

2.1 實驗數(shù)據(jù)集

本實驗使用的是Tusimple數(shù)據(jù)集，Tusimple數(shù)據(jù)集是自動駕駛領(lǐng)域權(quán)威公司圖森未來專為研究自動駕駛關(guān)鍵算法和解決方法所創(chuàng)立的數(shù)據(jù)集。Tusimple數(shù)據(jù)集總共包含128 160張圖片，圖片來源于中等天氣條件下，車輛白天在高速公路多條車道情景下行駛的視頻，取每秒視頻分為連續(xù)的20幀，包含不同的交通狀況，取最后一幀進行車道線標(biāo)注。數(shù)據(jù)集共分為兩部分，訓(xùn)練集和測試集，訓(xùn)練集包含72 520張圖片，其中標(biāo)注圖片3626張，測試集包含55 640張圖片，數(shù)據(jù)集圖片尺寸統(tǒng)一為1280*720。

2.2 實驗設(shè)置

本實驗在Windows10環(huán)境下，依賴于Tensorflow_gpu-1.14.0，Python-3.7.6，另調(diào)用Numpy-1.18.1，Tqdm-4.42.1，Glog-0.3.1，Easydict-1.9，Matplotlib-3.1.3，Opencv-4.4.0，Scikit_learn-0.22.1等函數(shù)庫完成程序支持；硬件平臺為處理器：Intel(R)Core(TM)i7-6700K CPU@3.6GHz×8，顯卡：GeForce GTX 1070Ti/PCIe。

為了實現(xiàn)車道線的精確檢測，需要進行模型訓(xùn)練和參數(shù)優(yōu)化調(diào)整，達到訓(xùn)練次數(shù)或要求的收斂條件為止。針對深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)量大、超參數(shù)優(yōu)化耗時長的問題，本文采用Hyperopt方法選取和優(yōu)化超參數(shù)，通過對經(jīng)驗和實驗的總結(jié)，選擇將標(biāo)注的3626各樣本總共訓(xùn)練42 000次停止，根據(jù)超參數(shù)的設(shè)置，最終以損失值和準(zhǔn)確率等來評價網(wǎng)絡(luò)結(jié)構(gòu)效果，得到最終權(quán)重文件。通過選取和優(yōu)化，網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)超參數(shù)見表2。

表2 網(wǎng)絡(luò)超參數(shù)設(shè)置

網(wǎng)絡(luò)的訓(xùn)練損失變化曲線如圖9所示。

由圖9能夠發(fā)現(xiàn)訓(xùn)練損失值下降平穩(wěn)，隨著學(xué)習(xí)率和迭代次數(shù)不斷變化，最后在迭代42 000次左右趨于穩(wěn)定，表明訓(xùn)練結(jié)果良好。

2.3 實驗對比分析

2.3.1 車道線檢測準(zhǔn)確率分析

因為自動駕駛行車安全要求較高，所以對車道線檢測的要求也很嚴(yán)格。因此采用兩個標(biāo)準(zhǔn)來評價檢測效果：準(zhǔn)確率 (acc) 和漏檢率 (FN)。 其中每幅圖像的平均正確點數(shù)作為準(zhǔn)確率判斷指標(biāo)，即模型判斷正確的數(shù)據(jù)占總數(shù)據(jù)的比例

(11)

其中，Cim為正確分割的像素點數(shù)目，Sim表示標(biāo)注的真實的車道線像素點數(shù)。同時設(shè)定一個閾值，當(dāng)標(biāo)注點與檢測點匹配率大于閾值時則這個點檢測正確。

漏檢率的計算方法如式(12)所示

(12)

其中，Mpred代表沒有檢測到的車道線數(shù)量，Ngt代表真實存在的車道線數(shù)量。

訓(xùn)練準(zhǔn)確率曲線如圖10所示。

為了驗證改進后模型的良好效果，對不同改進方面分別進行了訓(xùn)練實驗。實驗結(jié)果如表3和圖11所示。

表3 不同改進方案對模型性能影響分析

由表3和圖11可知，文本設(shè)計的第7個模型算法在檢測準(zhǔn)確率和檢測速度方面較未設(shè)計前均有較大改進，綜合效果最好，說明了設(shè)計模型算法的合理性和有效性，為最優(yōu)方案。

為了測試算法在復(fù)雜場景下車道線檢測的準(zhǔn)確率和漏檢率，對測試集55 640張圖片進行了測試，部分結(jié)果如圖12所示，并且為了表明算法的泛化性，選取常規(guī)、車輛遮擋、地面污損、陰影、強曝光等5個場景圖片用本文所提算法進行測試結(jié)果展示，檢測結(jié)果如圖13所示，可以看出在多種場景下，基于本文所提算法不僅在常規(guī)道路結(jié)構(gòu)上有較好的效果，在有車輛遮擋、車道線污損、強光環(huán)境、地面陰影等情況下也有良好檢測效果。

對不同場景進行車道線總數(shù)和正確檢測數(shù)統(tǒng)計，正確檢測數(shù)與車道線總數(shù)比值記為匹配準(zhǔn)確率，結(jié)果見表4。

表4 不同道路場景下的匹配準(zhǔn)確率

在車輛遮擋情況下，由本文提出的MB-FCN優(yōu)化算法檢測，測試結(jié)果表明，本文提出的模型結(jié)構(gòu)和算法具有較高的檢測精度和較好的魯棒性，在識別效果和抗干擾能力方面也有較大提升。在挑選的測試圖片中取得了良好的測試效果，其中在常規(guī)道路上的準(zhǔn)確率最高，在強曝光和陰影環(huán)境下的準(zhǔn)確率最低，還可以看出車道線檢測準(zhǔn)確率受外部因素影響較大，原因可能是因為強光和陰影下道路特征信息難以提取。

為了進一步驗證本文方法的性能效果，使用幾種典型車道線檢測方法進行測試，表5展示了本文方法與幾種典型方法在圖森測試集上的結(jié)果比較。本文在Tusimple數(shù)據(jù)集的平均準(zhǔn)確率為97.2817%，由實驗結(jié)果可以看出本文方法平均漏檢率相比于文獻[19]降低了0.53%，而準(zhǔn)確率相比文獻[19]和文獻[20]分別提高了和0.88%和0.75%。文獻[20]采用行列卷積的形式，訓(xùn)練時需要使用固定順序的車道線標(biāo)簽數(shù)據(jù)集，而本文方法只需要訓(xùn)練圖片與標(biāo)簽一一對應(yīng)的關(guān)系，標(biāo)注操作簡單，減少了大量工作量，更貼合實際。

表5 幾種典型車道線檢測方法準(zhǔn)確率、漏檢率對比

圖14是在圖森數(shù)據(jù)集下直線和彎曲道路檢測結(jié)果，可看出在有污損的曲線車道線情況下該方法檢測準(zhǔn)確性良好，測試結(jié)果表明在改進后的算法中，直線車道和曲線車道的車道線檢測準(zhǔn)確率都有較大提高；且隨著駕駛場景的變化，車道線檢測也有較強的魯棒性。

2.3.2 車道線檢測時間測試

由于輔助駕駛對系統(tǒng)實時性要求較高，檢測速度是一個很重要的評價指標(biāo)。表6為車道線檢測在現(xiàn)有主流模型和MB-FCN模型上單張檢測時間和檢測速度比較。

表6 本文方法與典型方法檢測速度比較

測試結(jié)果表明，MB-FCN網(wǎng)絡(luò)檢測速度接近于輕量化網(wǎng)絡(luò)Enet，優(yōu)于復(fù)雜網(wǎng)絡(luò)SCNN，綜合檢測準(zhǔn)確率與檢測速度來看，MB-FCN網(wǎng)絡(luò)表現(xiàn)出了最優(yōu)檢測效果。

3 結(jié)束語

本文所提出的基于改進FCN的車道線實例分割檢測方法，采用改進的FCN網(wǎng)絡(luò)進行車道線的特征提取和分割，利用DBSCAN聚類算法進行聚類并分配ID，通過逆透視變換和二次擬合得到更加精準(zhǔn)的車道線，最后對ID分配顏色區(qū)分不同車道線并還原到原圖輸出，得到更加直觀的檢測結(jié)果，方法可以滿足車道線檢測任務(wù)中關(guān)鍵指標(biāo)準(zhǔn)確率與實時性的要求。未來將注重在深度學(xué)習(xí)中運用遷移學(xué)習(xí)和車道線類型區(qū)分方面的研究，以增加檢測的多樣性和泛化性并提升模型效率，提高無人駕駛技術(shù)水平，進一步保證無人車遵守交通規(guī)則，保證駕駛安全。