车道线检测是实现无人驾驶及车辆智能辅助驾驶的关键技术,能够为车辆提供准确的道路信息。但在车辆实际行驶道路场景中环境较为复杂,车道线由于受到光照变化、阴影、遮挡、路面破损等干扰,加大了检测的难度。为此,本文以复杂环境下的车道线检测为目标,研究了干扰条件下的车道线特征点检测方法、车道线虚线-实线变换点处的测距方法和车道线稳定连续跟踪问题。论文的具体内容如下:(1)针对车道线特征点由于模糊、受阴影遮挡或破损等原因而无法准确检测的问题,提出了基于融合非局部神经网络模块和编码器解码器结构的复杂环境下车道线特征点检测方法。通过融合非局部深度神经网络模块与编码器-解码器模块改进特征检测方式,利用上采样和反卷积的方式恢复图像大小,最后利用Softmax层进行车道线图像分割。实验表明,基于改进的车道线特征点检测方法在车道线特征点出现破损、车道线模糊和阴影遮挡的情况,准确率能达到90%。(2)针对车辆行驶状况中,复杂环境下车道线虚线-实线类型变换点处与当前车辆的测距准确性问题,提出了基于多任务神经网络的车道线类型变换点测距方法。在复杂环境下车道线特征点检测研究的基础上,构建了一个多任务的神经网络结构,在原有编码结构后,增加了一个分支结构,用于提取不同类别的车道线类型在感兴趣区域不同位置的特征。在相机标定中,加入径向畸变矫正。实验结果显示,对类型变换点处的测距误差能控制在5%以内。(3)针对车道线追踪过程中,因车辆遮挡造成的车道线拟合准确率低的问题,提出了融合车辆三维位置信息的车道线跟踪检测模型。在基于传统卡尔曼滤波的车道线跟踪状态矩阵的基础上,加入了车辆的三维位置信息,扩展了车道线跟踪的状态矩阵,用以改进车道线跟踪检测的效果。实验结果表明,融合车辆三维位置的车道线跟踪检测模型平均绝对值误差降低了7%,具有良好的效果。为了验证本文提出方法的有效性,设计并构建了基于Tensorflow深度学习框架的多任务车道线检测实验平台,利用实际场景中采集的车辆行驶图像数据集和图森数据集与进行了车道线特征点检测与分类实验。实验证明本文提出的方法对车道线特征点定位与类型识别的准确率较高,具有较高的实用价值。