车道检测作为智能交通系统中的关键一环,在高级驾驶辅助系统、自动违章检测系统等应用领域扮演重要的角色。基于输入的环境数据,车道检测算法需要准确地提取场景中的关键特征,实时且高精度地检测出准确的车道区域。虽然在理想场景下,已经有部分较为成熟的车道检测算法,但在实际应用过程中由于场景的多样性、光照等条件的多变性,目前已有的算法无法保证在所有场景下都能够较为精确地进行车道检测。目前,车道检测算法主要包括多传感器混合的车道检测算法和基于计算机视觉的车道检测算法两种。一方面,基于激光雷达、超声波雷达、摄像头等设备的多传感器混合的车道检测算法虽然能够在原有的单传感器基础上极大地提高车道检测准确性,但该方法极大地提高了设备成本,限制了算法的实用性;另一方面,一些基于计算机视觉的传统图像处理算法与深度学习算法仅仅考虑了车道本身所固有的纹理、结构等信息,而没有考虑到车道线对车道区域提供的几何约束信息,这导致算法丢失许多关键特征,降低算法的性能。本文主要研究基于单帧图片的车道检测算法。目前已有的车道检测网络模型主要基于卷积-反卷积的语义分割神经网络实现,通过卷积神经网络对图片特征进行提取,再利用反卷积神经网络实现像素点级别的车道检测。但这些方法无法准确地利用图片特征进行车道检测,导致算法性能有所欠缺。针对车道检测任务,本文将其分为两个相关的子任务:车道区域检测与车道线检测,通过多任务神经网络同时进行两个任务。由于车道区域与车道线之间存在内在的几何关系,神经网络能够提取几何关系并基于该几何关系对子任务相互补充,从而提高子任务的准确性。除此之外,本文基于该几何关系设计损失函数,实现车道区域检测和车道线检测之间的相互约束,进一步提升算法准确性。因此,本文主要创新点包括网络连接结构与结构损失函数。(1)由于车道区域与车道线之间存在的关系,本文通过构建多任务卷积神经网络,端到端地同时进行车道区域检测与车道线检测,从而保证卷积层能够提取到更加丰富的特征信息。在此基础上,为了保证几何关系能够进一步约束车道区域与车道线检测,本文在两个子网络之间添加了网络连接结构,保证几何约束特征在两个子网络之间相互传递。通过车道线检测提取到的边缘信息能够有效地引导车道区域检测子网络,保证车道区域检测结果的完整性。同样的,车道区域检测获得的信息也能够引导车道线检测结果。实验证明,相较于现有其他单任务车道检测网络与多任务车道检测网络,本文提出的这一结构在准确性和鲁棒性上均有明显提升。(2)构建结构损失函数,从车道区域和车道线的几何关系上对二者的训练结果进行正则化约束。传统的损失函数通常都基于像素点计算结果与标注的偏差,而忽略了整体结构与人工标注真实数据的偏差情况。本文针对车道区域与车道线的几何关系,通过衡量车道区域检测结果和车道线标注的边缘一致性来引导车道检测子网络的训练。同时,基于车道线检测结果,本文计算其与车道区域标注之间的区域一致性,从而从整体几何结构上引导车道线检测子网络训练。本文提出的单张图像车道检测算法基于车道区域和车道线之间的先验几何知识,在原本语义分割的基础上引入几何特征融合机制,端到端地生成车道检测结果。该网络模型相较于目前已有的车道检测算法在准确率、召回率和交并比等指标上都有了较明显的提升。在不同场景下,本文提出的算法都能够更好地进行车道检测任务,算法性能不受场景影响,具有更强的鲁棒性。