在车辆的自动驾驶和辅助驾驶中, 实时分析车辆的运动状态具有重要的实际应用价值。为了实现对车辆行为的判断, 提出一种基于车道信息融合的车辆行为识别算法。首先提出一种基于改进Robinson与LSD的模型, 运用改进的Robinson算子获取最佳梯度幅值实现对车道的边缘提取, 再通过LSD算法实现车道的检测。然后采用一种基于滑动窗口的三次样条插值法对车道进行拟合, 最后根据车道参数信息分析车辆的运动状态, 结合车辆的中心位置得到车辆的偏离信息。在BDD100K数据集的测试中, 本文算法的车道检测准确率为95.61%, 车辆行为识别准确率为93.04%, 每秒传输帧数达到42.37。实验结果表明, 本文算法在不同场景下可以有效地区分车辆的运动状态并给出车辆的偏离信息, 具有更高的准确性和鲁棒性。

本文针对传统车道识别方法在复杂路面中自适应能力差的特点，基于图像分割技术提出了一种基于全卷积神经网络与条件随机场的车道识别方法。该方法通过大量数据的训练，使神经网络模型可以识别出车道，并且再通过条件随机场使得分割出来的车道覆盖面积及车道边缘的处理更加完善。同时，本文为了解决高速公路中对检测实时性的高要求，设计了一个全卷积神经网络，该网络结构简单，只有 13万个参数，并且做出如下三点改进：采用 BN算法提高网络的泛化能力及收敛速度；采用了 LeakyReLU激活函数取代了一般使用的 relu或者 sigmoid激活函数，并且采用 Nadam作为网络的优化器使得该网络具有更好的鲁棒性；采用条件随机场作为后端处理解决车道边缘处分割不足并且加大了车道覆盖面积。最后本文为了解决城市道路检测中道路环境复杂的问题，利用 FCN-16s网络模型加条件随机场的后端处理实现了复杂城市道路的识别。实验证明，在面对高速公路的高速及车道简单环境下，本文设计的网络模型更具有实时性且足够胜任车道的识别。在面对城市道路的复杂环境下， FCN-16s模型加条件随机场更能精确地识别出车道，并在 KITTI道路检测基准上取得不错的结果。

车道检测算法的研究是智能车辆基于道路标识线或边界信息自主导航的首要环节。根据道路先验知识和驾驶员视觉处理经验，将道路图像分为近景和远景区域，近景区使用直线模型拟合车道线，远景区切换直线模型或三次曲线模型匹配车道线。融合道路图像的梯度幅值、梯度方向和灰度特征信息，建立概率判别函数，采用基于遗传算法操作的改进粒子群优化算法，快速搜索关于概率函数的最优模型参数，实现对车道的检测。对实际道路图像的试验结果表明，在路面存在阴影、光照不均匀、车辆遮挡以及车道标识线污损情况下，该算法都能很好地识别车道，具有很强的鲁棒性。