华南理工大学学报(自然科学版)

作者：岳永恒, 赵志浩

单位：东北林业大学 土木与交通学院，黑龙江 哈尔滨 150040

关键词：车道线检测,深度学习,多尺度空间注意力机制,自适应特征融合

基金：黑龙江省重点研发计划项目(JD22A014);国家车辆事故深度调查体系项目(NAIS-ZL-ZHGL-2020018);国家自然科学基金项目(62173107)

针对智能车辆在复杂场景下的车道线检测准确性问题，该文提出了一种融合多尺度空间注意力机制和路径聚合网络（PANet）的车道线检测算法。该算法首先引入行锚框UFLD车道线检测模型，并结合深度可分离卷积的特征金字塔增强模块PANet，以实现图像的多尺度特征提取；接着，网络框架中设计多尺度空间注意力模块，且引入SimAM轻量级注意力机制，以增强对目标特征的聚焦能力；然后，设计自适应特征融合模块，通过智能调整不同尺度特征图的融合权重，对PANet输出的特征图进行跨尺度融合，以提升网络对复杂特征的提取能力。在TuSimple数据集上的实验结果表明，所提算法的检测精度为96.84%，较原算法提升了1.02个百分点，优于传统的主流算法；在CULane数据集上的实验结果表明，所提算法的F1值为72.74%，优于传统的主流算法，较原算法提升了4.34个百分点，尤其在强光和阴影等极端场景下的检测性能提升显著，说明所提算法在复杂场景下具有优异的检测能力；实时性测试结果显示，所提算法的推理速度达118.0 f/s，满足智能车辆的实时性需求。

来源：2025年第9期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2025年第9期