基于双分支实例分割网络的复杂环境车道线检测方法

doi:10.19562/j.chinasae.qcgc.2025.10.006

摘要/Abstract

摘要：

针对自动驾驶汽车在车道线数量识别缺失、复杂环境下车道线分割精度不足的问题，提出一种双分支实例分割网络结构的车道线检测方法。首先，该方法使用编码-解码框架提高细节恢复能力，支持多层次特征融合；其次，融合特征金字塔网络与高级残差网络，提升模型对上下文信息和深层次语义的理解，有效提取复杂车道线中的语义特征；然后，引入SE模块和加权最小二乘拟合模块，加强模型整体特征表达能力和泛化能力，提高模型的灵活度与准确率，并在不损失模型计算性能的前提下，增强车道线的几何形态预测；最后，该算法在CULane和TuSimple数据集进行实验测试的F1分别达到76.0%和96.9%。实验结果表明，该方法在光照变化、遮挡和道路损伤、多车道等复杂环境中可获得良好的检测性能，有效提高车道线检测精度。

关键词: 实例分割, 车道线检测, 特征金字塔网络, 自动驾驶

Abstract:

For the problem of lack of lane line quantity recognition and insufficient accuracy of lane line segmentation in complex environment for self-driving cars， a lane line detection method with a two-branch instance segmentation network structure is proposed. Firstly， the method uses an encoding-decoding framework to improve the detail recovery ability and support multilevel feature fusion. Secondly， the fusion of feature pyramid network and advanced residual network improves the model's understanding of contextual information and deep semantics， which efficiently extracts the semantic features in complex lane lines. Then， the introduction of the SE module and the weighted least-squares fitting module strengthens the model's overall feature expression and generalization ability so as to improve the flexibility and accuracy of the model， and enhance the geometric shape prediction of lane lines without losing the computational performance of the model. Finally， the F1 of the algorithm experimentally tested on CULane and TuSimple datasets reaches 76.0% and 96.9%， respectively， and the experimental results show that the method can obtain good detection performance in complex environment such as light change， occlusion and road damage， and multiple lanes， and effectively improves the lane line detection accuracy.

Key words: instance segmentation, lane detection, feature pyramid network, autonomous driving

王平,罗哲,查云飞,张义,唐友名. 基于双分支实例分割网络的复杂环境车道线检测方法[J]. 汽车工程, 2025, 47(10): 1905-1913.

Ping Wang,Zhe Luo,Yunfei Zha,Yi Zhang,Youming Tang. Lane Detection for Complex Environment Based on Two-Branch Instance Segmentation Networks[J]. Automotive Engineering, 2025, 47(10): 1905-1913.

图/表 9

图1

图2

图3

图4

图5

表1

表2

表3

图6

参考文献 30

[1]	LIANG D， GUO Y C， ZHANG S K， et al. Lane detection： a survey with new results［J］. Journal of Computer Science and Technology， 2020， 35： 493-505.
[2]	陈涛，张洪丹，陈东，等.基于优先像素与卡尔曼滤波追踪的车道线检测［J］.汽车工程，2016，38（2）：200-205，220.
	CHEN T， ZHANG H D， CHEN D， et al. Lane detection based on prioritized pixel and Kalman filter tracking［J］. Automotive Engineering， 2016， 38（2）： 200-205，220.
[3]	陈无畏，蒋玉亭，谈东奎. 一种基于边缘点投影的车道线快速识别算法［J］. 汽车工程， 2017， 39（3）： 357-363.
	CHEN W W， JIANG Y T， TAN D K. A fast lane line recognition algorithm based on edge point projection［J］. Automotive Engineering， 2017， 39（3）： 357-363.
[4]	BOJARSKI M， DEL TESTA D， DWORAKOWSKI D， et al. End to end learning for self-driving cars［J］. arXiv preprint arXiv：， 2016.
[5]	杨淑琴，马玉浩，方铭宇，等. 基于实例分割的复杂环境车道线检测方法［J］. 浙江大学学报（工学版）， 2022，56（4）：809-815，832.
	YANG S Q， MA Y H， FANG M Y， et al. Lane line detection in complex environments based on instance segmentation［J］. Journal of Zhejiang University （Engineering Edition）， 2022，56（4）：809-815，832.
[6]	武志斐，李守彪. 基于实例分割的车道线检测算法［J］. 汽车工程， 2023， 45（2）： 263-272.
	WU Z F， LI S B. Lane line detection algorithm based on instance segmentation［J］. Automotive Engineering， 2023， 45（2）： 263-272.
[7]	TABELINI L， BERRIEL R， PAIXAO T M， et al. Keep your eyes on the lane： real-time attention-guided lane detection［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 294-302.
[8]	FENG Z， GUO S， TAN X， et al. Rethinking efficient lane detection via curve modeling［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2022： 17062-17070.
[9]	DU Y， ZHANG R， SHI P， et al. ST-LaneNet： lane line detection method based on swin transformer and LaneNet［J］. Chinese Journal of Mechanical Engineering， 2024， 37（1）： 130-145.
[10]	PAN X， SHI J， LUO P， et al. Spatial as deep： spatial CNN for traffic scene understanding［C］. Proceedings of the AAAI Conference on Artificial Intelligence， 2018： 7276-7283.
[11]	NEVEN D， DE BRABANDERE B， GEORGOULIS S， et al. Towards end-to-end lane detection： an instance segmentation approach［C］. 2018 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2018： 286-291.
[12]	XU H， WANG S， CAI X， et al. CurveLane-NAS： unifying lane-sensitive architecture search and adaptive point blending［C］. Computer Vision-ECCV 2020： 16th European Conference， Glasgow， UK， August 23-28， 2020， Proceedings， Part XV 16. Springer International Publishing， 2020： 689-704.
[13]	CHE Q H， NGUYEN D P， PHAM M Q， et al. TwinLiteNet： an efficient and lightweight model for driveable area and lane segmentation in self-driving cars［C］. 2023 International Conference on Multimedia Analysis and Pattern Recognition （MAPR）. IEEE， 2023： 1-6.
[14]	WANG J， WU Q M J， ZHANG N. You only look at once for real-time and generic multi-task［J］. IEEE Transactions on Vehicular Technology， 2024.
[15]	TABELINI L， BERRIEL R， PAIXAO T M， et al. PolyLaneNet： lane estimation via deep polynomial regression［C］. 2020 25th International Conference on Pattern Recognition （ICPR）. IEEE， 2021： 6150-6156.
[16]	SU J， CHEN C， ZHANG K， et al. Structure guided lane detection［J］. arXiv preprint arXiv：， 2021.
[17]	ZHENG T， HUANG Y， LIU Y， et al. CLRNet： cross layer refinement network for lane detection［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2022： 898-907.
[18]	LIU B， LING Q. Sparse LaneFormer： end-to-end lane detection with sparse proposals and interactions［J］. IEEE Transactions on Intelligent Transportation Systems， 2025.
[19]	BÄCKLUND H， HEDBLOM A， NEIJMAN N. A density-based spatial clustering of application with noise［J］. Data Mining TNM033， 2011， 33： 11-30.
[20]	LIANG J， ZHOU T， LIU D， et al. CLUSTSEG： clustering for universal segmentation［J］. arXiv preprint arXiv：， 2023.
[21]	NEUBECK A， VAN GOOL L. Efficient non-maximum suppression［C］. 18th International Conference on Pattern Recognition （ICPR'06）. IEEE， 2006， 3： 850-855.
[22]	SHEPLEY A J， FALZON G， KWAN P， et al. Confluence： a robust non-IoU alternative to non-maxima suppression in object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（10）： 11561-11574.
[23]	ZHOU K Y. Lane2Seq： towards unified lane detection via sequence generation［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2024： 16944-16953.
[24]	VAN GANSBEKE W， DE BRABANDERE B， NEVEN D， et al. End-to-end lane detection through differentiable least-squares fitting［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops， 2019：905-913.
[25]	YANG Z， SHEN C， SHAO W， et al. LDTR： transformer-based lane detection with anchor-chain representation［J］. Computational Visual Media， 2024， 10（4）： 753-769.
[26]	BUERTEY E. Improved LaneNet for lane detection［D］. University of Waterloo， 2023.
[27]	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.
[28]	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 2117-2125.
[29]	汪鹏飞，沈庆宏，张维利，等. 基于多尺度特征图像分割的车道线提取方法［J］. 南京大学学报（自然科学版）， 2022， 58（2）： 336-344.
	WANG P F， SHEN Q H， ZHANG W L， et al. Lane extraction method based on multi-scale feature image segmentation ［J］. Journal of Nanjing University （Natural Science Edition）， 2022， 58（2）： 336-344.
[30]	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2018： 7132-7141.

场景	E2Enet	SCNN	LaneATT	UFLD	本文方法
正常/%	91.0	90.6	91.1	90.7	92.8
拥挤/%	73.1	69.7	73.0	70.2	74.4
夜晚/%	67.9	66.1	69.0	66.7	71.0
无线/%	46.6	43.4	48.4	44.4	47.9
阴影/%	74.1	66.9	70.9	69.3	75.7
箭头/%	85.8	84.1	85.5	85.7	88.5
眩光/%	64.5	58.5	65.7	59.5	69.3
弯道/%	71.9	64.4	63.4	69.5	70.6
路口数	2 022	1 990	1 170	2 037	1 653
综合/%	74.0	71.6	75.0	72.3	76.0

方法	F1	准确率	假阳率	假阴率
ResNet-18	87.8	95.8	19.0	3.9
ResNet-34	88.0	95.8	18.9	3.7
LaneNet	94.8	96.4	7.8	2.4
PolyLaneNet	90.6	93.3	9.4	9.3
Res34-SAD	95.9	96.6	6.0	2.0
SCNN	96.0	96.5	6.2	1.8
本文算法	96.9	96.8	7.8	2.3

模型	SE	FPN	WLSF	F1%
基线模型	?	?	?	70.1
基线模型+WLSF	?	?	√	71.6
基线模型+SE	√	?	?	73.5
基线模型+FPN	?	√	?	72.8
基线模型+SE+FPN+WLSF	√	√	√	76.0