Em ambientes noturnos com pouca luz ou iluminação desigual, a imagem da via apresenta baixa visibilidade das linhas da pista, exposição local excessiva e sombras. Os algoritmos atuais de detecção de linhas de pista focam principalmente em melhorar a capacidade de detecção em condições normais de iluminação, ignorando a degradação das características da via em ambientes de iluminação noturna, resultando em baixa precisão e robustez dos algoritmos. Para resolver esse problema, este artigo propõe um método de detecção de linhas de pista baseado em Transformer sensível a grade de linhas e colunas, dentro de uma estrutura de segmentação semântica codificador-decodificador. O método primeiramente utiliza um módulo de curva de realce de luz para normalizar a iluminação da imagem de entrada, usando uma rede generativa adversária para mapear imagens com iluminação desequilibrada em imagens com distribuição de iluminação razoável, suprimindo eficazmente o ruído e a superexposição; o codificador utiliza a rede ResNet34 para extrair características em múltiplas escalas; o módulo Transformer sensível à grade de linhas e colunas modela explicitamente a estrutura espacial e as relações contextuais das linhas da pista por meio de codificação bidirecional de tokens de linhas e colunas, aumentando a robustez do modelo contra deformações geométricas e obstruções locais; o decodificador é composto por um módulo de upsampling bilateral e um módulo de avaliação de confiança, que realizam respectivamente a reconstrução das características e a previsão da presença das linhas da pista. Resultados experimentais mostram que o método proposto alcança precisão de 96,86% no conjunto de dados TuSimple; a pontuação F1 geral no conjunto de dados CULane é 77,5%, com valor F1 de 76,7% para cenas noturnas. A precisão de detecção do método supera os modelos atuais predominantes de detecção de linhas de pista e pode realizar a detecção precisa das linhas em ambientes noturnos complexos.

Engenharia de tráfego; detecção de linhas de pista; segmentação semântica; Transformer; percepção de grade