摘要
本文提出了一种先进的方法，旨在解决单目3D车道线检测中的关键问题，该方法充分利用了从2D到3D车道线重建过程中蕴含的几何结构信息。受先前方法的启发，我们首先分析了3D车道线与其在地面上的2D投影之间的几何启发性关系，并提出基于结构先验施加显式监督，从而实现车道线间与车道线内关系的建模，有效促进从局部到全局的3D车道线重建。其次，为减少2D车道线表示中的结构损失，我们直接从前视图像中提取俯视图下的车道信息，显著缓解了以往方法中远距离车道特征混淆的问题。此外，我们提出了一种新型的任务特定数据增强方法，通过在流水线中合成用于分割与重建任务的新训练数据，以应对相机姿态与地面坡度分布不均衡的问题，从而提升模型在未见数据上的泛化能力。本工作首次将几何先验信息引入基于深度神经网络（DNN）的3D车道线检测框架，实现了超长距离车道线的检测能力，检测范围较原有方法提升一倍。所提方法可无缝集成至其他现有框架中，无需引入额外参数。实验结果表明，在Apollo 3D合成数据集上，本方法以82 FPS的实时推理速度，相比当前最优方法在F-Score指标上提升了3.8%，且未增加任何额外参数。