智能交通是我国发展智能网联车(智能汽车、自动驾驶、车路协同)的目标,也是世界各国发展的重要领域。智能交通可以分为两个方面,其一是高精度地图的制作,其二是汽车对环境的感知能力。因此,构建具有强自动化性、高精度性能的道路标线测量方法具有重要的意义。在汽车对道路的感知系统中,因我国地势形态种类繁多,所以在不同城市间的道路标线各有不同,因此构建一个可在车载设备中运行且适用不同道路特征的模型同样具有重要意义。基于图像传统算法开展了移动道路测量的研究。同时,基于深度可分离卷积网络结合迁移学习开展了道路标线检测与道路分割的研究。具体内容如下:在道路测量任务中,提出基于视觉传感器测量道路标线的方法,以汽车在行驶过程中行车记录仪采集到的图像作为移动道路测量的素材。该方法首先采集道路标线,然后对图像进行预处理纠正图像的畸变,排除道路标线外的干扰同时恢复道路标线的平行关系。其次,对道路标线进行检测与提取,包括图像分割和滑动窗口法提取道路标线。最后对道路标线进行跟踪与测量,针对移动背景下道路标线特征相似无法准确拼接等问题,提出帧差法与统计模型结合的方法。该方法可以处理移动背景下遇到的各种突发情况(道路标线消失、增加或减少等)。采用变道分析处理因汽车变道造成的道路标线倾斜的问题。在道路感知任务中,提出基于深度可分离卷积的道路标线分割方法。在编码器中因道路标线的特征较为规则,所以采用高低特征融合的方法提取特征。针对图片中道路标线与背景像素数量的不平衡问题,对模型的损失函数进行了权重优化。为使最终模型可以在车载设备中运行,采用深度可分离卷积层进行特征提取以降低模型的参数量,并且采用双线性插值法进行上采样处理,该过程不产生额外的参数,可以避免反卷积在上采样过程中产生参数。同时,采用迁移学习使模型仅需要学习少量样本便可适用不同的环境。在道路测量任务中,实验结果表明,在本实验室采集的数据上测量出的道路标线检测精度高、鲁棒性好,可同时完成多车道线的测量。在道路感知任务中,通过Tu Simple数据集及自建库中的实验结果表明,本方法与其他模型相比其有效地降低了模型的大小,同时模型的准确率较高,最终模型可在体积较小的NVIDIA Jetson NANO上运行,其处理速度达到23fps。上述两种方法,在智能交通等方面具有应用价值。