Para o problema de detecção de invasão de faixa de veículos em imagens embarcadas na área de assistência à condução ou condução autônoma, bem como os problemas de perda e falso positivo causados por subexposição, sombras ou obstruções físicas durante o processo de detecção, propõe-se um algoritmo de detecção de invasão de faixa veicular baseado no Mask R-CNN e LaneNet aprimorados. Em termos de otimização da rede, o algoritmo de escalonamento de imagens na camada RoI Align da rede Mask R-CNN foi aprimorado de interpolação bilinear para bicúbica, e a rede VGG16 com camadas totalmente conectadas convertidas em convolucionais substitui o decodificador compartilhado E-Net do LaneNet; no aprimoramento de imagem, o algoritmo de correção gama foi melhorado para realizar a correção automática de imagens subexpostas; nos dados de treinamento, foi concluída a anotação de alvos veiculares no conjunto de dados Tusimple e foi realizado aumento de dados durante o treinamento da rede com base em um algoritmo de apagamento aleatório aprimorado. Os resultados experimentais mostram que a velocidade de detecção de veículos se mantém inalterada, enquanto a velocidade de detecção de faixas aumentou 28%, as taxas de perda e falso positivo para veículos diminuíram 38,93% e 89,04%, respectivamente, as taxas de perda e falso positivo para faixas diminuíram 67,21% e 87,05%, respectivamente, e os indicadores de desempenho do algoritmo atendem aos requisitos de aplicação para o julgamento de invasão de faixa veicular.

Correção de imagem; segmentação de instância; detecção de faixas; aumento de dados; detecção de invasão de faixa