车道线检测和交通标志检测技术作为自动驾驶感知系统的核心技术,不仅能保障车辆安全驾驶,还能提高车辆的行驶效率,减少交通拥堵和交通事故。随着人工智能技术的快速发展,大量的目标检测方法不断涌现,但是由于车道线和交通标志所处的环境具有复杂性和多变性的特点,导致现有的车道线和交通标志检测方法还未能同时兼顾准确率、鲁棒性和实时性的应用需求,因此车道线和交通标志检测技术一直是自动驾驶和计算机视觉领域的研究热点。本文针对复杂环境下的车道线和交通标志检测进行了研究,主要内容为:(1)针对车辆遮挡和地面污损问题,本文将车道线检测视为连续细长区域实例分割问题,给出了一种基于密集分割网络的车道线检测方法。首先,在语义分割网络模型的基础上,使用稠密块构建了一个密集分割网络,该网络能在不同层之间建立了连接关系,使得该网络具有重复使用特征的特性,能够学习到高层的实例特征,减少随着网络的加深导致空间信息的丢失对分割边缘细节的影响,提高图像分割的准确性;其次,为了使得车道线边界更为具体,该方法引入了邻近AND运算和Meanshift聚类算法,对密集分割网络的输出进行处理以减小非车道线像素的干扰。通过实验表明,本文给出的方法能很好地解决车辆遮挡和地面污损的问题,具有较好的鲁棒性。(2)针对传统卷积神经网络运行效率低下的问题,本文给出了一种基于Thunder Net的交通标志实时检测方法。Thunder Net由Backbone和Detection两部分组成。为了利用更多的上下文信息以及编码更大范围的相邻像素改善目标检测的效果,在Backbone部分使用5?5深度可分离卷积替换3?3的深度可分离卷积扩大了感受野所构建的网络模型。在Detection部分使用了一个上下文增强模块用来聚合多尺度的全局信息和局部信息生成区分性更强的特征,改善特征图的表示能力。另外使用了空间注意模块优化特征分布用来强调交通标志信息,弱化背景信息,同时还对区域生成网络进行了压缩用来提高效率。通过实验表明,本文给出的方法不仅在各种复杂场景下具有较好的准确率和鲁棒性,而且还具有较好的实时性,检测速度能到120fps。