基于几何正则化约束的车道检测模型研究
发布时间：2021-03-23 22:36
车道检测作为智能交通系统中的关键一环,在高级驾驶辅助系统、自动违章检测系统等应用领域扮演重要的角色。基于输入的环境数据,车道检测算法需要准确地提取场景中的关键特征,实时且高精度地检测出准确的车道区域。虽然在理想场景下,已经有部分较为成熟的车道检测算法,但在实际应用过程中由于场景的多样性、光照等条件的多变性,目前已有的算法无法保证在所有场景下都能够较为精确地进行车道检测。目前,车道检测算法主要包括多传感器混合的车道检测算法和基于计算机视觉的车道检测算法两种。一方面,基于激光雷达、超声波雷达、摄像头等设备的多传感器混合的车道检测算法虽然能够在原有的单传感器基础上极大地提高车道检测准确性,但该方法极大地提高了设备成本,限制了算法的实用性;另一方面,一些基于计算机视觉的传统图像处理算法与深度学习算法仅仅考虑了车道本身所固有的纹理、结构等信息,而没有考虑到车道线对车道区域提供的几何约束信息,这导致算法丢失许多关键特征,降低算法的性能。本文主要研究基于单帧图片的车道检测算法。目前已有的车道检测网络模型主要基于卷积-反卷积的语义分割神经网络实现,通过卷积神经网络对图片特征进行提取,再利用反卷积神经网...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
–1基于结构关系的车道区域与车道线约束示意图
第二章车道检测方法综述上海交通大学硕士学位论文图2–1部分车道区域检测结果示意图Figure2–1Theillustrationoflaneareadetectionresults用无监督的初始种子点选择算法，对初始种子生长点采用区域生长法得到初步的道路检测结果，再通过条件随机场（ConditionalRandomField，CRF）进行精细化分割，得到最终的车道区域。2.1.2基于深度学习的车道区域检测方法随着深度学习的发展，基于深度学习的语义分割算法在多个计算机视觉领域得到了出色的成绩，尤其是对场景进行像素点级别的语义分割[14][16]。基于深度学习的车道区域检测方法大部分都基于语义分割神经网络实现，这些方法主要在已有的语义分割神经网络的基础上，针对车道区域检测任务的特点进行了修改，以便于在已有的语义分割网络中添加额外信息来提高算法性能[7-9]。Barnes等[7]采用已有的语义分割网络结构进行车道区域检测。但为了获得更多的训练数据，他们不使用人工对视频图像进行标注，而是使用采集过程中的额外传感器（激光雷达、超声波雷达等）和车道区域的几何先验知识进行自适应的车道区域标注。通过额外的训练数据进行半监督训练，神经网络在车道区域检测的准确性上有了较大的提升。Chen等[8]同样针对实际数据集数据量有限，使得网络易于过拟合的问题提出了方法。但他们使用易于标注的虚拟合成图像作为数据增广手段。为了克服虚拟图像和现实图像之间存在的差异，网络添加了基于目标的特征过滤子网络，归一化虚拟合成图像和实际图像经过卷积层后的特征，保证模态一致。同时添加了空间一致性约束，弥补虚拟图像和实际图像在颜色分布上的差异。通过这两个手段，作者同样训练了语义分割网络对图像进行语义分割，得到最终结果。Gao等[9]不使用数据增广的方式引入额外信息来提高神经网络
第二章车道检测方法综述上海交通大学硕士学位论文图2–2部分车道线检测结果示意图Figure2–2Theillustrationoflaneboundarydetectionresults析式[10,13,20,21]。Bergasa等[13]和Kortli等[10]先针对图像进行了灰度化处理和平滑操作，再直接使用Sobel算子与Canny算子进行梯度提取并使用Otsu方法设定阈值过滤噪声。得到了较为清晰的梯度图像后，可以使用霍夫变换进行车道线检测并得到消失点进一步优化车道线检测结果。Hernández等[20]同样利用Canny算子提取图像梯度，但他们将图片中的颜色信息作为附加特征与梯度信息一起构建概率图模型提取候选的车道线位置。在得到一连串车道线所在的像素点后，使用聚类算法将不同的车道线分离，并对聚类结果进行曲线匹配最终得到目标车道线。由于实际车道线存在不连续的情况，部分曲线匹配算法可能失效，Lin等[21]使用边缘提取算法得到图像中的边缘图后，使用边界连接算法连接曲线边缘，得到更加连续的图像边缘，再通过逐行扫描提取一一对应的车道线进行曲线匹配，最终提取正确的车道线。2.2.2基于深度学习的车道线检测方法虽然上述的基于计算机视觉的车道线检测方法能够在一般场景检测车道线，并得到较好的结果。但在实际场景中，车道区域经常受到阴影、降水、磨损或光照的影响，上述的基于计算机视觉的车道线检测方法可能无法鲁棒地检测车道线，因此目前一部分车道线检测方法是基于深度学习实现的[22-25]。Huval等[22]将车道线检测转化为物体检测问题。他们使用了Overfeat[26]物体检测框架，将输入图片分割为多个小窗口，对这些窗口进行车道线检测与分类。—12—
本文编号：3096540
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
–1基于结构关系的车道区域与车道线约束示意图
第二章车道检测方法综述上海交通大学硕士学位论文图2–1部分车道区域检测结果示意图Figure2–1Theillustrationoflaneareadetectionresults用无监督的初始种子点选择算法，对初始种子生长点采用区域生长法得到初步的道路检测结果，再通过条件随机场（ConditionalRandomField，CRF）进行精细化分割，得到最终的车道区域。2.1.2基于深度学习的车道区域检测方法随着深度学习的发展，基于深度学习的语义分割算法在多个计算机视觉领域得到了出色的成绩，尤其是对场景进行像素点级别的语义分割[14][16]。基于深度学习的车道区域检测方法大部分都基于语义分割神经网络实现，这些方法主要在已有的语义分割神经网络的基础上，针对车道区域检测任务的特点进行了修改，以便于在已有的语义分割网络中添加额外信息来提高算法性能[7-9]。Barnes等[7]采用已有的语义分割网络结构进行车道区域检测。但为了获得更多的训练数据，他们不使用人工对视频图像进行标注，而是使用采集过程中的额外传感器（激光雷达、超声波雷达等）和车道区域的几何先验知识进行自适应的车道区域标注。通过额外的训练数据进行半监督训练，神经网络在车道区域检测的准确性上有了较大的提升。Chen等[8]同样针对实际数据集数据量有限，使得网络易于过拟合的问题提出了方法。但他们使用易于标注的虚拟合成图像作为数据增广手段。为了克服虚拟图像和现实图像之间存在的差异，网络添加了基于目标的特征过滤子网络，归一化虚拟合成图像和实际图像经过卷积层后的特征，保证模态一致。同时添加了空间一致性约束，弥补虚拟图像和实际图像在颜色分布上的差异。通过这两个手段，作者同样训练了语义分割网络对图像进行语义分割，得到最终结果。Gao等[9]不使用数据增广的方式引入额外信息来提高神经网络
第二章车道检测方法综述上海交通大学硕士学位论文图2–2部分车道线检测结果示意图Figure2–2Theillustrationoflaneboundarydetectionresults析式[10,13,20,21]。Bergasa等[13]和Kortli等[10]先针对图像进行了灰度化处理和平滑操作，再直接使用Sobel算子与Canny算子进行梯度提取并使用Otsu方法设定阈值过滤噪声。得到了较为清晰的梯度图像后，可以使用霍夫变换进行车道线检测并得到消失点进一步优化车道线检测结果。Hernández等[20]同样利用Canny算子提取图像梯度，但他们将图片中的颜色信息作为附加特征与梯度信息一起构建概率图模型提取候选的车道线位置。在得到一连串车道线所在的像素点后，使用聚类算法将不同的车道线分离，并对聚类结果进行曲线匹配最终得到目标车道线。由于实际车道线存在不连续的情况，部分曲线匹配算法可能失效，Lin等[21]使用边缘提取算法得到图像中的边缘图后，使用边界连接算法连接曲线边缘，得到更加连续的图像边缘，再通过逐行扫描提取一一对应的车道线进行曲线匹配，最终提取正确的车道线。2.2.2基于深度学习的车道线检测方法虽然上述的基于计算机视觉的车道线检测方法能够在一般场景检测车道线，并得到较好的结果。但在实际场景中，车道区域经常受到阴影、降水、磨损或光照的影响，上述的基于计算机视觉的车道线检测方法可能无法鲁棒地检测车道线，因此目前一部分车道线检测方法是基于深度学习实现的[22-25]。Huval等[22]将车道线检测转化为物体检测问题。他们使用了Overfeat[26]物体检测框架，将输入图片分割为多个小窗口，对这些窗口进行车道线检测与分类。—12—
本文编号：3096540
本文链接：https://www.wllwen.com/kejilunwen/qiche/3096540.html
