摘要

现代车辆配备了多种驾驶辅助系统，其中包括自动车道保持功能，可有效防止车辆无意间偏离车道。传统的车道检测方法通常基于手工设计特征或深度学习特征，并结合后处理技术，利用基于帧的RGB相机实现车道线提取。然而，基于帧的RGB相机在车道检测任务中易受光照变化、阳光眩光和运动模糊等因素影响，从而限制了检测性能的提升。将事件相机（event camera）引入自动驾驶感知系统中的车道检测任务，是缓解传统帧相机局限性的最具前景的解决方案之一。本文的主要贡献在于设计了一种基于动态视觉传感器（event camera）的车道线标记检测模型。该研究创新性地提出了一种结合卷积编码器与注意力引导解码器的网络结构，用于事件相机数据的车道线检测。通过采用密集空洞空间金字塔池化（dense atrous spatial pyramid pooling, ASPP）模块，有效保留了编码特征的空间分辨率。解码器中引入的加性注意力机制，能够提升对高维编码特征的处理能力，显著增强车道定位精度，同时减轻后处理阶段的计算负担。为验证所提方法的有效性，本文在DVS车道提取数据集（DVS Dataset for Lane Extraction, DET）上进行了实验评估。实验结果表明，在多类别与二分类车道线检测任务中，F1分数分别提升了5.54%和5.03%。此外，所提方法在交并比（Intersection over Union, IoU）指标上也显著优于当前最优的先进方法，分别提升了6.50%和9.37%。这些结果充分证明了基于事件相机与所提出网络架构在车道线检测任务中的优越性能与实际应用潜力。