GlareLane：一种用于在复杂光照条件下进行车道检测的实际基准与方法

《Image and Vision Computing》：GlareLane: A real-world benchmark and method for lane detection under challenging illumination

　　摘要
精确的车道检测对自动驾驶而言至关重要。然而，现有方法在强光干扰、低照明环境及反射等极端光照条件下往往难以正常工作。为解决这些问题，我们提出了一种新的框架，将图像增强与几何约束检测相结合。具体而言，该框架引入了眩光抑制网络，能够有效恢复因强烈光照而受损的车道特征，为后续车道检测提供更可靠的视觉线索。经过增强的图像随后会被送入几何约束检测网络，该网络通过端点损失函数来更精准地定位远处车道的端点，同时利用平均曲率损失函数保持车道结构的平滑性与几何一致性，从而显著提升在复杂眩光条件下的检测稳定性。此外，我们还提出了GlareLane——首个专为不同真实世界眩光条件下的车道检测设计的综合基准测试集，这些眩光条件包括阳光眩光、夜间照明、雨天反射以及隧道出口处的光线变化。大量实验表明，所提出的框架在各种眩光场景下均能显著优于现有的先进方法，同时大幅提升检测的稳健性。该框架不仅能在恶劣环境中实现有效的车道检测，还为未来的相关研究提供了有力的基准。代码和数据集可在https://github.com/XiaojieYu16/GALD.git获取。

引言
车道检测在自动驾驶车辆和高级驾驶辅助系统（ADAS）中起着至关重要的作用[1]。它的重要性不仅体现在技术层面，还直接关系到驾驶安全与交通效率。作为环境感知的关键模块，车道检测能够提供准确的道路结构信息，从而实现可靠的车辆控制与决策制定。尽管在环境感知与检测技术方面已取得显著进展[2]、[3]，但在强光干扰、低照明环境或恶劣天气等极端条件下，车道检测仍然面临巨大挑战[4]、[5]。如图1所示，眩光会导致车道变得模糊不清。白天的直射阳光或玻璃反射产生的眩光会掩盖车道标记；夜间的高强度车头灯、LED交通标志或对向车辆的灯光则可能暂时使驾驶员无法看清关键车道信息。此外，湿滑的道路表面还会反射路灯或车头灯的光线，产生眩光效应。在隧道出口处，车辆从弱光环境突然进入强光环境时，会出现“白洞”效应[6]。如此剧烈的光线变化使得智能驾驶系统难以在短时间内适应。这一限制源于两个根本问题：其一是在过曝或欠曝区域，特征信息丧失；其二是在车道标记稀疏或不连续的情况下，无法有效建模长距离依赖关系。当环境眩光干扰驾驶条件时，会给车辆传感器和人类驾驶员带来多种视觉障碍，这四种主要的眩光情况会特别削弱感知系统的性能。这类眩光现象会导致暂时性失明，进而影响对车道标记、周围车辆及交通信号的识别，常常引发交通事故[7]。最新研究显示，这些复杂的眩光条件每年都会导致数千起事故，是交通事故中最主要的环境因素之一[8]。

早期的车道检测方法主要依赖于图像处理技术[9]、[10]、[11]。这些方法首先通过降噪和颜色空间转换等预处理技术提升输入图像的质量，随后再利用Canny算子[10]、[12]等边缘检测算法，以及Hough变换[11]、[13]、[14]等几何建模方法来定位车道。这类方法严重依赖人工设计的特征以及关于车道几何形状的假设，因此难以适应各种不同的道路条件。相比之下，基于深度学习的现代方法显著提升了模式识别问题的稳健性与泛化能力[15]、[16]。目前，基于深度学习的车道检测主要有三种范式：基于分割的方法、基于参数的方法以及基于锚点的方法。基于分割的方法，如SCNN[17]、RESA[18]和Atrousformer[19]，通过像素级分类来捕捉空间关系，其中RESA通过并行特征聚合提升了处理效率。基于参数的方法，如PolyLaneNet[20]和LSTR[21]，将车道建模为多项式曲线或几何基本体，虽能实现快速推理，但难以处理复杂或不规则的车道形状。基于锚点的算法，包括Line-CNN[22]和LaneATT[23]，则通过从预定义的锚点出发回归车道信息，从而在精度与速度之间取得平衡。虽然LaneATT引入了注意力机制以考虑全局上下文，而CondLaneNet[24]则将检测结果与起点信息关联起来，但在遮挡场景下仍存在初始化难题。即便有了这些进步，现有模型在极端光照条件下的性能依然会大幅下降。

在本文中，我们提出了一种新的框架，将图像增强与几何感知检测相结合，用于在眩光环境下实现稳健的车道检测。具体而言，该框架的增强模块采用分层U形Transformer架构，能够在不同场景中有效抑制眩光。该模块能够有效消除各类眩光干扰，并恢复因恶劣光照而受损的图像细节。经过增强的图像随后会被送入几何约束检测网络。我们设计了两种损失函数——平均曲率损失函数和端点损失函数，用以约束车道的形状。这两种损失函数的引入使得复杂几何形状车道的预测更加平滑且连续，解决了曲线车道和远处车道预测不准确的问题。此外，为了更好地实现眩光条件下的车道检测，我们收集了一个包含超过一万张眩光图像的数据集。据我们所知，这是首个为不同眩光条件下的车道检测构建的数据集。该数据集涵盖了四种常见的眩光场景：阳光眩光、夜间照明、雨天反射以及隧道出口处的光线变化。我们还根据光线强度将这些场景进一步分为强眩光和弱眩光两类。大量实验表明，我们的框架在复杂光照条件下显著提升了车道检测的准确性与稳健性。这项工作不仅推动了抗眩光车道检测技术的发展，还为未来智能驾驶系统的相关研究提供了宝贵的基准。其主要贡献可总结如下：
1. 提出了一种新的框架，将U形架构的图像增强技术与几何约束检测网络相结合，能够在多种眩光条件下实现稳健的车道检测。
2. 引入了两种定制化的损失函数，以提高远处车道端点的检测精度，并增强曲线车道的几何平滑性。
3. 构建了全新的GlareLane数据集，用于支持真实世界眩光条件下的车道检测。该数据集涵盖了四种典型场景（阳光眩光、夜间照明、雨天反射以及隧道过渡），为填补现有数据集的空白提供了有力的测试依据。

本文的结构如下：第2节对车道检测与眩光抑制领域的相关工作进行了全面综述。第3节介绍了我们新收集的GlareLane数据集，该数据集专为极端眩光场景下的车道检测而设计。第4节详细阐述了车道检测的方法，第5节介绍了相关实验。第6节探讨了未来的研究方向，第7节对全文进行总结。

片段摘录
**眩光抑制**
过去几十年里，图像处理技术在各个领域都取得了显著进展，出现了许多用于提升图像对比度并还原被遮蔽细节的技术[25]、[26]。例如，基于Retinex理论的方法[27]因其能够保持人类视觉所感知的颜色一致性而受到了广泛关注。Li等人[28]通过引入包含噪声项的强大Retinex模型，提升了低亮度图像的质量。

**数据收集与标注**
在本文中，我们构建了一个专注于道路眩光场景的交通车道检测数据集。这些数据集是在不同的环境条件下收集的，涵盖了阳光眩光、夜间照明、雨天反射以及隧道出口处的光线变化等多种眩光场景。为确保数据完整性并在恶劣天气条件下保护设备，行车记录仪被安装在汽车前挡风玻璃的中间位置。具体的数据收集过程如下：

**方法**
在本节中，我们首先描述了整体方法架构，接着详细介绍了眩光抑制网络与车道检测网络，最后提出了两种损失函数以进一步约束车道形态。

**实现**
所有实验均在配备24GB内存的Nvidia GeForce RTX 4090 GPU上运行，操作系统为Ubuntu 20.04。该框架基于PyTorch 1.8.0开发，运行环境为Python 3.8.0。输入图像的分辨率被统一设置为1640×590。我们采用了在flare7kpp[50]数据集上预训练的模型来抑制输入图像中的眩光。对于我们的方法，我们采用了与CLRNet相同的设置：首先训练眩光抑制网络，之后将其固定下来使用。

**讨论**
我们还观察到，失败案例大多出现在极度过曝或复合型退化情况之下（例如眩光与运动模糊同时存在），此时增强模块无法完全恢复精细的车道结构。在这种情形下，车道边界的模糊性可能会传递到几何细化阶段，从而导致远处车道预测出现偶尔的不连续或轻微偏差。所提出的方法主要是为在特定条件下进行车道检测而设计的。

**结论**
在本文中，我们提出了一种能够在极端光照条件下实现稳健车道检测的框架。通过结合图像增强与几何感知检测，该方法有效降低了阳光眩光、夜间照明、雨天反射以及隧道过渡等复杂眩光场景带来的影响。此外，我们还引入了两种损失函数来约束车道形态。平均曲率损失函数与端点损失函数的引入显著提升了远处车道检测的准确性。

**CRediT作者贡献声明**
Xiaojie Yu：写作——审阅与编辑、写作——初稿撰写、可视化、方法论、数据整理。Qiankun Li：写作——审阅与编辑、指导监督、项目管理、方法论。Hao Li：写作——审阅与编辑、可视化、方法论。Ben-Guo He：项目管理、资金筹集、概念构思。Qiang He：软件工具、资源准备、形式化分析。Junxin Chen：写作——审阅与编辑、指导监督、资源准备、项目管理、资金筹集。

**利益冲突声明**
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

**致谢**
本研究得到了国家自然科学基金委员会（项目编号：52525808）以及小米青年人才计划的资助。

Xiaojie Yu | Qiankun Li | Hao Li | Ben-Guo He | Qiang He | Junxin Chen
大连理工大学软件学院，中国大连116621