I.-C. Sang与W.R. Norris（隶属美国伊利诺伊大学厄巴纳-香槟分校工业与系统工程系）于2025年在期刊《Expert Systems with Applications》第275卷发表了题为《Improved Generalizability of CNN Based Lane Detection in Challenging Weather Using Adaptive Preprocessing Parameter Tuning》的研究论文。该研究属于计算机视觉与智能交通系统交叉领域，旨在提升自动驾驶车辆在复杂天气条件下的车道线检测鲁棒性。

学术背景

车道检测是高级驾驶辅助系统（ADAS）的核心技术，但现有算法在雨雪等恶劣天气下性能显著下降。几何基方法（Geometric-based methods）依赖道路几何特征，需人工调参以适应光照变化；学习基方法（Learning-based methods，如CNN）虽能识别复杂车道，但受限于训练数据多样性。本文提出一种融合几何基与学习基优势的混合方法，通过自适应预处理提升CNN模型在极端天气下的泛化能力。

研究方法与流程

1. 自适应预处理框架设计

研究构建了一个四模块预处理流程（图1）： - 噪声抑制模块：采用7×7核的双边滤波器（Bilateral filter），空间方差σs=50，强度方差σI=25，通过加权平均降低图像噪声（公式1）。 - 边缘检测模块：动态调整Canny算子阈值（Thhigh初始为1，Thlow=¹⁄₃ Thhigh），由模糊推理系统（Fuzzy Inference System, FIS）实时调控。FIS包含5条规则（表1），输入为Hough变换检测的线段数量，输出为阈值调整量（±1.5/帧）。 - ROI选择模块：基于道路消失点特性，设计三角形感兴趣区域（ROI），顶点位于图像中心，覆盖3/4图像高度（图3）。 - 通道分配模块：将边缘检测结果归一化为8位，替换原始图像的红色与蓝色通道，保留绿色通道的色彩信息（图5）。

2. 实验验证

• 数据集：使用Tusimple（晴天，3626训练样本）和DSDLDE（雨雪天气，50段视频）数据集，后者经裁剪为1280×720分辨率并人工标注。
• 模型集成：将预处理框架与三种CNN模型（CLRNet-ResNet18、RESA、ENet-SAD）结合，在Intel Core i9/NVIDIA RTX A5500平台测试。
• 评估指标：采用Tusimple标准，以车道线与56个锚点坐标的误差率计算准确率。

主要结果

1. 色彩通道消融实验（表4）显示：保留绿色通道+边缘通道的组合在暴雨条件下准确率提升最显著（CLRNet+Proposed达66.78% vs 原始55.28%）。
2. 鲁棒性测试（表5）：预处理使CLRNet在轻度/暴雨中的准确率标准差从17.17%/30.36%降至2.49%/17.87%。
3. 跨模型对比（表6）：所有CNN模型集成预处理后，暴雨检测准确率提升8.38-16.89个百分点。
4. 与传统方法对比（表7）：在同等标准下，本方法达到几何基算法96.9%的准确率，同时支持多车道弯曲检测。

结论与价值

本研究通过模糊逻辑驱动的自适应预处理，解决了CNN车道检测在恶劣天气下的两大瓶颈：① 减少人工调参依赖；② 弥补训练数据多样性不足。实验表明，该方法能以9ms的额外计算代价（总处理时间30.2ms），显著提升模型在雨雪天气的稳定性（暴雨场景准确率提升20.8%）。其科学价值在于： - 提出首个可适配多种CNN架构的通用预处理框架 - 开发基于FIS的实时参数调节机制 - 建立恶劣天气下车道检测的新评估基准（DSDLDE标注数据集）

研究亮点

1. 方法创新：首次将模糊逻辑与几何特征提取结合，实现Canny阈值的动态闭环控制。
2. 工程兼容性：通道分配策略保持图像维度不变，无需修改下游CNN结构。
3. 数据贡献：开源DSDLDE标注工具与标签数据（GitHub），填补该领域空白。
4. 实时性能：处理速度满足30fps实时需求，具备车载部署潜力。

局限性与展望

当前框架需数帧时间收敛参数，未来可探索更快的自适应算法。该方法可扩展至其他视觉任务（如可行驶区域检测），并需在实际自动驾驶平台上验证。作者已就该技术申请专利（专利号未公开）。