随着我国经济的飞速发展,汽车的保有量逐年增加。日趋拥挤的道路使得交通事故频频发生,不仅造成了巨大的经济损失,而且还严重威胁着人们的生命安全。因此驾驶安全问题和辅助驾驶成为了社会关注的热点。据统计,大约50%的交通事故是因为车辆偏离行驶车道而引起的,所以车道的自动定位成了辅助驾驶的重要任务,而车道线检测是其中的关键。在实际情况中,车道线检测具有一定的挑战性。一方面,车道线经常存在着磨损、遮挡甚至缺失的情况。恶劣的天气、复杂的地形也对车道线检测形成了极大的干扰。另一方面,辅助驾驶系统对实时性要求很高,所以在有限计算资源条件下如何提高车道线检测速度也是一个不容忽视的问题。因此,如何设计一个准确、快速和具有鲁棒性的车道线检测算法是一项极具挑战且很有应用价值的研究课题。本文提出了一种基于GAN的车道线检测算法,可以在车道线磨损的道路和各种外界因素干扰条件下实现准确而且快速的车道线检测。本文的主要工作如下:针对目前车道线检测算法存在的鲁棒性和实时性不足这一问题,本文将GAN应用于车道线检测领域,利用风格迁移网络pix2pix将车道线检测任务转化为一个从图像到图像的自动生成学习任务。pix2pix网络在生成图像时可以忽略掉原始图像的整体结构,将重点放到细节特征的提取上,所以可以在提取车道线特征的同时忽略掉其他外界环境因素对车道线的干扰,提高了车道线检测的鲁棒性。应用GAN网络来检测车道线不需要任何先验知识和后续操作,算法结构简单,所以在检测时间和运行空间上有了很大改善。为了验证算法的有效性,在PreScan仿真平台和TuSimple数据集上进行了测试:对各种外界环境干扰下的道路检测情况进行了对比分析和量化评估,验证了算法的鲁棒性;每张图像的平均检测时间为0.003s,相对于对比实验LaneNet的0.163s减少了两个数量级,显存占用为801M,比LaneNet的6485M减少了88%,证明了算法在检测时间和成本上的明显优势。针对车道线的漏检和错检问题,提出了一种fw-pix2pix车道线检测算法,在算法中引入了层级特征匹配和Wasserstein距离来进一步提高算法的检测精度。为了更好地约束车道线的检测质量,使用特征匹配在判别器各层中对生成图像进行判别。通过提取判别器各层表示的特征来约束生成图像和原始数据之间的相似性,逐层地保证生成图像的细节,从而可以提取到更完整的车道线特征。同时为了解决训练中梯度消失的问题,引入了Wasserstein距离来衡量生成图像和原始数据两个分布之间的距离,对车道线检测图像的生成质量实现了进一步的约束,减少了车道线的漏检和错检情况。为了验证算法的有效性,使用TuSimple数据集对本文的fw-pix2pix车道线算法进行测试。算法的Accuracy指标为97.9%,F1分数为79.7%,每张图像的平均检测时间为0.003s,显存占用为801M,说明fw-pix2pix算法在保持检测时间和成本的优势下,进一步提高了检测精度。本文算法在拥有较好鲁棒性的同时在检测时间和成本上有着明显的优势,说明了本文算法在实际生活中的可行性和实用性。