基于Transformer和XCA注意力的车道线检测方法

来源：电子测量技术杂志2026年第7期北京时间：

作者：李睿，敖银辉，陈新盛，李桂伸

单位：广东工业大学机电工程学院 广州 510000

摘要：针对LSTR算法在复杂道路场景下存在的局部细节捕捉能力不足与计算复杂度高的问题，本研究提出动态多路径协方差Transformer检测模型DMCTR。首先，构建特征增强与抑制模块，通过增强与抑制特征操作，缓解传统卷积对弯曲车道及虚线段等弱特征的漏检问题；其次，构建动态增强双通道注意力模块，利用可变形卷积适应车道几何形变，并结合双注意力机制增强局部几何特征；最后在Transformer架构中引入交叉协方差注意力机制，进而替换Transformer编码器中的多头自注意力。实验结果表明，在TuSimple数据集上，DMCTR准确率达到96.74%，较基线LSTR模型提升0.56%；在CULane数据集复杂场景下，F1值提升4.48%，车道线模糊、夜晚强光等特殊场景检测精度提升显著,使得模型在保持实时性（353 fps）的同时，有效解决了传统方法在复杂场景下的特征建模瓶颈。

关键词：车道线检测;LSTR 算法;Transformer;交叉协方差注意力机制

基金资助：广东省自然科学基金（2022A1515012080）项目资助