复杂环境下的路面交通标线检测与分割方法

来源：计算机工程与应用杂志2025年第14期北京时间：

作者：顾宗文, 吴志周, 徐里鹏, 朱陈强, 梁韵逸

单位：1.新疆大学 智能制造现代产业学院，乌鲁木齐 830049；2.同济大学 交通运输工程学院，上海 201804；3.上海理工大学 管理学院，上海 200093

摘要：针对数字化交通标线损伤诊断数据需求，提出了基于Mask R-CNN的FE-Mask R-CNN模型，通过目标检测与实例分割，获得损伤交通标线及其对应的修复图像。采集了复杂环境下的交通标线数据集，根据数据集的大小及分析数据中路面交通标线的环境特征，将Mask R-CNN主干替换为改进的VGG16。构建了跨层连接的特征金字塔（cross-linking FPN）网络，使模型能自适应实现不同特征层权重融合，挖掘不同特征层之间的重要性信息。在每一特征层提取网络中添加了efficient channel attention（ECA）注意力机制，以捕捉不同通道之间的关系，增强了模型在复杂环境下的特征提取能力。实验结果表明，采用改进的VGG16，参数量较原模型降低了21.18%；采用cross-linking FPN网络及改进后的Mask R-CNN模型，在低阈值（IoU=0.5）下，目标检测和语义分割精度分别为97.93%、98.7%、97.74%、97.8%；在高阈值（IoU=0.75）下，目标检测和语义分割精度分别为95.56%、97.90%、81.48%、92.0%；检测速度由33?FPS降低至24?FPS。相对于低阈值分割精度提升效果，高阈值下的分割精度的大幅提升，为图像的高精度修复提供了数据基础。

关键词：复杂环境,目标检测,实例分割,损伤交通标线,改进的VGG16,跨层连接特征金字塔,注意力机制