SOFTWARE软件2022第43卷第12期2022年Vol.43,No.12基金项目：浙江省大学生科技创新活动计划暨新苗人才计划项目（2021R406035）；浙江省自然科学基金项目（LY17F0200）；浙江省一流课程建设项目（2020sylxx016）；浙江理工大学教学改革项目（kg201809）；浙江理工大学课程思政示范课程建设项目（sfkc202211）作者简介：李景昂（2002—）,男,本科,研究方向：深度学习。通讯作者：韩永华（1976—）,女,讲师,研究方向：图像处理、三维运动估计。基于改进的DeeplabV3+模型的车道线检测方法李景昂马晨旭韩永华丁一凡孙子昂崔雨欣余见楚（浙江理工大学信息科学与工程学院，浙江杭州310018）摘要：为兼顾车道线检测的准确性与实时性,本文提出一种基于改进的DeeplabV3+模型的车道线检测方法。首先通过水平翻转、改变图像的亮度、饱和度等方法对车道线图像进行数据增广,加强模型对于眩光、车道线破损情况下长直型、大曲率车道线的泛化能力。其次将模型的主干网络更换为轻量级的MobilenetV2网络,提高模型训练速度,并依据车道线图像特点改进ASPP结构,合理设计组合多采样率空洞卷积,提高模型对边缘车道线及远处车道线的预测效果,利用深度可分离卷积,减少模型参数量。最后本文依据车道线图像特点提出了双注意力机制DAMM结构,通过合理分配注意力资源,提高模型分割能力。实验表明,改进的DeeplabV3+模型像素精度为99.35%,平均交并比为86.08%,单图预测时间为22.62ms,说明改进DeeplabV3+模型兼顾准确性和实时性。关键词：车道线检测；DeeplabV3+；ASPP；注意力机制；数据增广中图分类号：TP391.41文献标识码：ADOI：10.3969/j.issn.1003-6970.2022.12.020本文著录格式：李景昂,马晨旭,韩永华,等.基于改进的DeeplabV3+模型的车道线检测方法[J].软件,2022,43(12):076-084LaneLineDetectionMethodBasedonImprovedDeeplabV3+ModelLIJingang,MAChenxu,HANYonghua,DINGYifan,SUNZiang,CUIYuxin,YUJianchu(SchoolofInformationScienceandEngineering,ZhejiangSci-TechUniversity,HangzhouZhejiang310018)【Abstract】：Inordertobalancetherecognitionaccuracyandreal-timeperformanceoflanedetection,thispaperproposesalanedetectionmethodbasedontheimprovedDeeplabV3+model.Firstly,thelanelineimagesareexpandedbyhorizontalflipandthebrightnessandsaturationoftheimagesarechangedtoenhancethegeneralizationabilityofthemodelforbothlongstraightandlargecurvaturelane...
