《国家车联网产业标准体系建设指南(智能网联汽车)》指出,智能网联汽车是是全球创新热点和未来发展制高点,其深度融合了汽车、电子、信息通信、道路交通运输等行业,是一个新型产业。智能网联汽车的智能驾驶技术在提高公路运输能力和减少交通事故方面发挥着关键作用。在智能驾驶技术中,环境感知系统是确保智能车的智能性、安全性的关键所在。而车道线检测技术作为智能车感知系统中的核心技术,是实现安全、自主驾驶的前提,也是研究的难点及技术核心。在工信部2016年智能制造综合标准化与新模式应用项目“智能网联汽车系统及通信标准化研究与试验验证平台建设”(项目编号:2016ZXFB06002)和重庆市科技计划项目重点产业共性关键技术创新专项主题专项项目“ADAS功能测试标准化制定与路试验证平台建设”(项目编号:cstc2015zdcyztzx60005)资助下,开展了面向复杂路况的车道线智能检测方法研究。论文的主要研究内容和创新点有1)针对训练深度学习模型需要大量标签图片的问题,研究了车辆前方和侧方标签图片的自动生成算法。研究了LUV和LAB色彩空间的颜色信息,提出了对简单场景下黄色和白色车道线的分割算法,为前向车道线检测模型的训练提供了大量的标签图片;对于侧向的车道线标签图片自动生成问题,提出了一种利用少量真实场景图片合成大量标签图片的策略,在卷积神经网络模型的基础上改进了Image Quilting算法,显著提高了合成车道线和沥青路面图片的质量,使合成的标签图片满足了深度学习模型的训练要求。2)针对复杂场景下前向车道线检测精度不高的问题,根据车道线在路面鸟瞰图中的分布规律,提出了YOLO v3(S×2S)算法,提高了车道线的检测精度。为了自动地学习复杂场景下的前向车道线特征,在YOLO v3(S×2S)算法的基础上设计了一个两级车道线特征学习框架,自适应地学习不同场景下的车道线特征,显著提高了车道线检测模型的训练效率,实现了复杂场景下前向车道线的检测。3)针对复杂工况下如车道线被遮挡和发生形变、磨损的情况下难以被检测的问题,系统分析了路面车道线的结构关系,提出了利用车道线在路面上的分布规律预测车道线位置的策略。基于已检测到的车道线的历史位置信息,提出了利用双向GRU的车道线预测模型LSTM-BGRU和结合了角度信息与递归神经网络的车道线预测模型ALSTM-RcNN。为确保最终车道线检测结果的准确性,利用D-S融合算法融合车道线检测模型YOLO v3(S×2S)和车道线预测模型ALSTM-RcNN的输出结果,获得了最优的车道线位置信息。4)针对难以准确计算横向车道线距离的问题,将横向车道线距离平均离散化分为多个距离条,将横向车道线距离的计算转换为多目标识别问题。构建了一个深度卷积神经网络LatDisLanes,实现了横向车道线距离端到端的检测。针对运行过程中车辆的悬架、轮胎等会发生变形,引起侧倾角的变化,导致深度学习模型LatDisLanes识别的距离误差较大的问题,通过分析世界坐标系和像素坐标系的对应关系,提出了一个动态校正模型,实时了自动校正因倾斜角变化导致LatDisLanes的识别误差,实现横向车道线与车身距离的准确识别。