저조도 또는 불균일한 조명의 야간 환경에서 도로 영상은 차선 인식이 어렵고, 국부적인 과노출과 그림자가 발생하는 문제가 있다. 기존 차선 검출 알고리즘은 주로 정상 조명 환경에서의 검출 성능 향상에 집중하여 야간 조명 환경에서 도로 특성의 열화 문제를 간과해 알고리즘의 정확도와 강건성이 떨어진다. 본 논문에서는 이 문제를 해결하기 위해 인코더-디코더 기반 의미 분할 프레임워크 내에서 행열 그리드 인식 Transformer를 적용한 차선 검출 방법을 제안한다. 해당 방법은 먼저 광 강화 곡선 모듈을 이용해 입력 이미지의 조명 정규화를 수행하며, 생성적 적대 신경망을 통해 조명 불균형 이미지에서 조명 분포가 합리적인 이미지로 매핑하여 노이즈와 과노출을 효과적으로 억제한다. 인코더는 ResNet34 네트워크를 이용해 다중 스케일 특징을 추출하며, 행열 그리드 인식 Transformer 모듈은 행과 열의 양방향 토큰 인코딩을 통해 차선의 공간 구조와 문맥 관계를 명시적으로 모델링하여 모델의 기하 변형 및 국부적 가림에 대한 강건성을 강화한다. 디코더는 양방향 업샘플링 모듈과 신뢰도 평가 모듈로 구성되어 특징 재구성과 차선 존재 예측을 각각 수행한다. 실험 결과 본 방법은 TuSimple 데이터셋에서 정확도 96.86%를 달성하였으며, CULane 데이터셋에서는 전체 장면에서 F1 점수 77.5%, 야간 장면에서도 F1 점수 76.7%를 기록하였다. 본 방법의 검출 정확도는 현재 주류 차선 검출 모델들보다 우수하며 복잡한 야간 환경에서의 정확한 차선 검출을 효과적으로 구현할 수 있다.

교통 공학; 차선 검출; 의미 분할; Transformer; 그리드 인식