基于深度可分离卷积和残差注意力模块的车道线检测方法

针对全天候条件下道路车道线视觉检测技术存在的算法结构复杂、参数数量较多等问题，提出一种基于深度可分离卷积和残差注意力模块的车道线检测方法，建立了LPINet网络模型。利用深度可分离卷积减小输入图像尺寸，设计三种不同结构的瓶颈残差单元降低网络参数数量，引入ECANet注意力机制增加重要特征通道权重，提升车道线检测精度。在Tusimple数据集和GZUCDS自建数据集上的实验结果表明：在晴天场景下，LPINet网络车道线检测精度可达96.62%,且模型参数量降至1.64 MB,实现了轻量化设计；在雾天、雨天、夜晚和隧道复杂场景中进行了探索性研究，车道线检测精度达到93.86%,证明了方法的有效性。