为保障夜间车辆的安全行驶,准确识别夜间车道线并做出车道偏离预警,提出了用于夜间图像增强的深度生成网络EnhanceGAN和基于Transformer的端到端车道线检测网络AttentiveLSTR的夜间车道线检测方法,并进行实车实验。深度生成网络EnhanceGAN将改进后的UNet作为网络的生成器,采用两层嵌套的U形结构扩大感受野,添加Markov局部判别器和组合损失函数增强车道线边缘、纹理等细节信息;车道线检测网络AttentiveLSTR使用ResNeXt作为特征提取网络来保证网络深度和降低模型参数量,引入特征金字塔网络(FPN)提取车道线边缘和形状信息。 结果表明:与主流方法CycleGAN和Gamma校正相比,该方法在BDD100k数据集上的夜间图像增强的效果更好,车道线和周围环境对比度高,结构相似性(SSIM)为0.8834,图像整体自然逼真,峰值信噪比(PSNR)为40.2654, 自然图像质量评估指标(NIQE)为3.4233;在CULane数据集上检测精度(Acc)为 90.12%,处理速度较快,每秒帧数(FPS)为82帧。该研究结果可以为夜间行驶车道线偏离场景提供参考。