控制与决策

作者：武小兰,孙奔奔,白志峰,郭桂芳,张锦华

单位：西安建筑科技大学 机电工程学院，西安 710311,,西安建筑科技大学 机电工程学院，西安 710311,,西安建筑科技大学 机电工程学院，西安 710311,,西藏民族大学 信息工程学院，陕西 咸阳 712082,,西安建筑科技大学 机电工程学院，西安 710311,

关键词：弯道;深度学习;图像预处理;特征融合;结构损失;车道线检测

基金：中央引导地方科技发展资金项目(XZ202301YD0003C)；陕西省重点研发计划项目(2024GX-YBXM-178).

弯道车道线因其复杂的几何和视觉特征, 检测难度相较于直线车道线高. 针对现有弯道车道线检测算法普遍存在的识别精度不足问题, 提出一种基于多尺度特征融合和组合结构损失优化的深度学习弯道车道线检测方法, 旨在高效且准确地提取和识别弯道车道线. 首先, 在图像预处理中, 采用区域特定的裁剪策略, 根据车道线在图像中的相对位置, 通过选定的裁剪比例保留图像关键区域, 这种方法可有效减少环境干扰, 并提升模型预测速度; 然后, 基于优化的图像输入, 构建一个深度学习模型, 该模型整合ResNet34主干网络、特征金字塔网络(FPN)以及动态卷积模块, 利用多尺度特征融合技术能够显著提升车道线检测的准确性; 接着, 为了进一步优化检测效果, 引入一种新型组合结构损失函数, 该函数融合位置损失和形状损失, 不仅优化了车道线位置估计, 还增强了在弯道中的形状连续性; 最后, 在CULane数据集的弯道场景测试中, 所提出方法达到了85.54的$F_1 $评分, 验证了其高准确性和鲁棒性.

来源：2025年第8期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第8期