رئیس دانشکده مهندسی برق و کامپیوتر مجله مهندسی برق دانشگاه تبریز 2008-7799 55 4 2025 12 22 Lane Detection in Presence of Occlusion using Deep Neural Network آشکارسازی خط مسیر حرکت خودرو در حضور اختفاء با استفاده از شبکه عصبی عمیق 697 706 19943 10.22034/tjee.2025.66183.4982 FA علیرضا رحیمی بیدمشگی دانشکده فنی مهندسی، دانشگاه شاهد علیرضا بهراد دانشکده فنی مهندسی، دانشگاه شاهد Journal Article 2025 03 01 Lane detection is an important component in the development of autonomous vehicles, facilitating the real-time identification of driving paths and compliance with traffic regulations. Despite the promising performance of current models in controlled environments, they often encounter significant challenges in real-world scenarios, such as occluded lane visibility caused by snow, dust, traffic, or the absence of lane markings. This study presents a new approach to lane detection that leverages the spatiotemporal attributes of video frames by combining Long Short-Term Memory (LSTM) networks with Convolutional Neural Networks (CNNs) to enhance performance in the presence of occlusions. We employ a CNN to extract high-level spatial features from video frames, while an LSTM aggregates these features over time to model temporal dependencies and infer occluded segments when visual cues are absent. By representing lane marking detection as a sequential learning problem, the combined CNN-LSTM network effectively extracts spatiotemporal features. This dual architecture integrates both spatial and temporal information, thereby increasing robustness against occlusions and varying lighting conditions. The proposed model was evaluated under two conditions: low and high occlusion, using separate datasets, and was compared with the baseline architecture. The results confirm the effectiveness of the proposed approach. In low occlusion conditions, the model achieves an F1 score of about 96%, similar to the baseline method. In contrast, the baseline model suffers a performance drop in high occlusion scenarios, while the proposed model remains robust, also achieving an F1 score of about 96%. آشکارسازی خطوط مسیر حرکت خودرو یکی از ا جزاء مهم در توسعه خودروهای خودران است که امکان شناسایی مسیرهای رانندگی به صورت بیدرنگ و رعایت مقررات ترافیکی را فراهم می‌سازد. با وجود عملکرد امیدوارکننده مدل‌های فعلی در محیط‌های کنترل‌شده، این مدل‌ها اغلب با چالش‌های قابل توجهی در سناریوهای واقعی مانند کاهش دید خطوط به دلیل برف، گرد و غبار، ترافیک یا عدم وجود علامت‌گذاری خطوط مواجه می‌شوند. این مقاله یک روش جدید برای آشکارسازی خطوط مسیر حرکت خودرو ارائه می‌دهد که ویژگی‌های مکانی-زمانی فریم‌های ویدیویی را با استفاده از شبکه‌های حافظه کوتاه‌ بلندمدت (LSTM) و شبکه‌های عصبی کانولوشنال (CNN) ترکیب می‌کند تا عملکرد را در شرایط وجود اختفاء بهبود بخشد. با نمایش تشخیص خطوط به عنوان یک مسئله یادگیری متوالی، شبکه ترکیبی CNN-LSTM به طور موثری ویژگی‌های مکانی-زمانی را استخراج می‌کند. این معماری اطلاعات مکانی و زمانی را ادغام می‌کند و در نتیجه مقاومت در برابر اختفاء و شرایط نوری متغیر را افزایش می‌دهد.<br />مدل پیشنهادی تحت دو شرایط اختفادی کم و زیاد و با استفاده از مجموعه‌داده‌های مختلف، ارزیابی شد. و با معماری پایه مقایسه شد که نتایج، اثربخشی روش پیشنهادی را تأیید می‌کند. در شرایط کم اختفاء، مدل به امتیاز F1 حدود ۹۶٪ دست می‌یابد که مشابه روش پایه است. در مقابل، مدل پایه در شرایط موانع زیاد با کاهش عملکرد مواجه می‌شود، در حالی که مدل پیشنهادی مقاوم باقی می‌ماند و به امتیاز F1 حدود ۹۶٪ دست می‌یابد. https://tjee.tabrizu.ac.ir/article_19943_ae16041d2b29beb842f0b0b89d4f6f4e.pdf