基于卷积神经网络的语义分割车道线检测算法设计及应用
发布时间：2022-01-04 09:58
随着科技的迅速发展,自动驾驶、辅助驾驶等前沿技术也离我们的生活越来越近,而车道线检测技术是其中的基础支撑和关键技术。只有车道线检测系统能够准确而稳定地检测出车道线,才能给车辆的行驶提供准确可靠的指引信息。因此本文对车道线检测算法进行了深入的研究,设计了适用于复杂行车环境下的车道线检测算法,并将该算法应用于车道线检测系统中。本文的主要研究内容如下:（1）基于卷积神经网络的语义分割车道线检测算法研究。针对当前基于卷积神经网络的车道线检测方法中由于孤立地关注车道线信息而忽略交通场景中不同实体的关联性,从而导致的复杂行车环境下车道线检测准确率和稳定性降低的问题,设计了一种多任务特征聚合语义分割网络。网络通过多任务学习和特征聚合方法来挖掘车道线与车道区域之间的关联性,并通过补充关联语义信息来提升车道线分割的效果和稳定性。针对车道线分割中存在的正负样本不均衡问题,提出了一种边界约束损失函数,通过对车道线的轮廓边界进行建模,使网络更关注于车道线而非背景信息。针对车道线语义分割结果中车道线细节信息不够完善的问题,设计了一种形态学后处理方法,对网络输出的车道线分割掩码进行去噪和车道线实例划分。本文设计的...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
语义分割示意图
华南理工大学硕士学位论文10数曲线如图2-3（b）所示。它能够将任意实数映射到[-1,1]之间，因为它是零中心的函数，因此梯度消失问题较Sigmoid函数轻，但仍存在这样的风险。Relu函数的表达式为f(z)max(0,z)，其函数曲线如图2-3（c）所示。它在负区间输出为0，这种单侧抑制的效应可以大大加快网络收敛速度，并且在正区间的非饱和特性使得它不会出现梯度消失的现象。也正是由于单侧抑制效应，它可能会出现神经元“失活”的现象。(a)(b)(c)图2-3Sigmoid、Tanh和Relu函数曲线池化的功能是则对输入特征图进行下采样，这样有助于减少特征映射中的冗余信息，保留关键特征。同时，池化使网络获得一定的不变性，即网络对于输入图像的平移、旋转不敏感，使网络能拥有更好的泛化能力。常用的池化方法有最大池化和平均池化。在做池化时，设定一个特定大小的矩形窗作为池化窗口，窗口在输入数据上滑动。对于最大池化而言，每次在池化窗口中取数值最大的数据作为输出，而平均池化则是对池化窗口中所有数据取平均作为输出。最大池化和平均池化方法的具体操作如图2-4所示。352254121421445755473325输入特征图输出特征图MaxpoolingAveragepooling图2-4最大池化和平均池化示意图通过卷积、激活和池化等结构逐层的堆叠，就构成了一个卷积神经网络结构。将数据输入到网络，随着数据在神经网络中的流动，卷积神经网络就可以实现从低维特征到高维语义的提取，最后得到网络的输出结果。这就是卷积神经网络的前向传播（ForwardPropagation）过程。
华南理工大学硕士学位论文16模型可以在目标任务上获得更好的表现，这种方法称为多任务学习方法[39]。更具体地，多任务学习是指在一个网络中同时进行多个任务的学习训练，并将多个任务的预测误差同时进行反向传播，它是一种归纳迁移机制。归纳迁移可以通过利用其他信息源来提高当前任务学习的性能表现。从生物学的角度，多任务学习方法被视作是一种受到人类学习启发的方法。为了学习新的任务，我们经常需要应用从学习相关任务中获得的知识信息。例如在检测车道线时我们首先需要确定路面的位置，然后再从路面上获得车道线和路面标志等信息。图2-12单任务学习[38]图2-13多任务学习[38]单任务学习如图2-12所示，四个任务分别由四个独立的网络分别进行学习，四个网络之间互不关联。而多任务学习如图2-13所示，四个任务在同一个网络中同时进行学习，且各任务之间共享一定数量的神经元。多任务学习的有效性体现在以下几个方面：（一）隐式数据增强神经网络模型在训练过程中会对噪声和有用信息进行判别。理想情况下，随着训练的深入，网络能很好的区分噪声和有用信息。但在实际中，为了防止过拟合，网络会倾向于更加保守，从而只学习更加通用的信息，此时就有可能将部分有用信息归类为噪声。而多个任务同时进行训练时，由于不同任务的有各自的噪声模式，通过不同噪声模式的
【参考文献】：
期刊论文
[1]面向复杂环境的图像语义分割方法综述[J]. 王嫣然,陈清亮,吴俊君. 计算机科学. 2019(09)
[2]自动驾驶发展与关键技术综述[J]. 王金强,黄航,郅朋,申泽邦,周庆国. 电子技术应用. 2019(06)
[3]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[4]基于卡尔曼滤波的多目标跟踪方法[J]. 赵广辉,卓松,徐晓龙. 计算机科学. 2018(08)
[5]车道线检测专利技术综述[J]. 王爽. 中国新通信. 2017(24)
[6]无人车自主定位和障碍物感知的视觉主导多传感器融合方法（英文）[J]. Jian-ru XUE,Di WANG,Shao-yi DU,Di-xiao CUI,Yong HUANG,Nan-ning ZHENG. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[7]基于Catmull-Rom样条曲线的弯曲车道线检测研究[J]. 何鹏,高峰,魏厚敏. 汽车工程学报. 2015(04)
[8]基于RGB空间的车道线检测与辨识方法[J]. 杨益,何颖. 计算机与现代化. 2014(02)
[9]一种基于扫描线的车道线识别算法[J]. 李若皓,丁冬花. 微计算机信息. 2008(16)
[10]一种基于直线模型的道路识别算法研究[J]. 徐友春,王荣本,李克强,赵玉凡. 中国图象图形学报. 2004(07)
硕士论文
[1]基于激光雷达回波信号的车道线检测方法研究[D]. 吴毅华.中国科学技术大学 2015
本文编号：3568138
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
语义分割示意图
华南理工大学硕士学位论文10数曲线如图2-3（b）所示。它能够将任意实数映射到[-1,1]之间，因为它是零中心的函数，因此梯度消失问题较Sigmoid函数轻，但仍存在这样的风险。Relu函数的表达式为f(z)max(0,z)，其函数曲线如图2-3（c）所示。它在负区间输出为0，这种单侧抑制的效应可以大大加快网络收敛速度，并且在正区间的非饱和特性使得它不会出现梯度消失的现象。也正是由于单侧抑制效应，它可能会出现神经元“失活”的现象。(a)(b)(c)图2-3Sigmoid、Tanh和Relu函数曲线池化的功能是则对输入特征图进行下采样，这样有助于减少特征映射中的冗余信息，保留关键特征。同时，池化使网络获得一定的不变性，即网络对于输入图像的平移、旋转不敏感，使网络能拥有更好的泛化能力。常用的池化方法有最大池化和平均池化。在做池化时，设定一个特定大小的矩形窗作为池化窗口，窗口在输入数据上滑动。对于最大池化而言，每次在池化窗口中取数值最大的数据作为输出，而平均池化则是对池化窗口中所有数据取平均作为输出。最大池化和平均池化方法的具体操作如图2-4所示。352254121421445755473325输入特征图输出特征图MaxpoolingAveragepooling图2-4最大池化和平均池化示意图通过卷积、激活和池化等结构逐层的堆叠，就构成了一个卷积神经网络结构。将数据输入到网络，随着数据在神经网络中的流动，卷积神经网络就可以实现从低维特征到高维语义的提取，最后得到网络的输出结果。这就是卷积神经网络的前向传播（ForwardPropagation）过程。
华南理工大学硕士学位论文16模型可以在目标任务上获得更好的表现，这种方法称为多任务学习方法[39]。更具体地，多任务学习是指在一个网络中同时进行多个任务的学习训练，并将多个任务的预测误差同时进行反向传播，它是一种归纳迁移机制。归纳迁移可以通过利用其他信息源来提高当前任务学习的性能表现。从生物学的角度，多任务学习方法被视作是一种受到人类学习启发的方法。为了学习新的任务，我们经常需要应用从学习相关任务中获得的知识信息。例如在检测车道线时我们首先需要确定路面的位置，然后再从路面上获得车道线和路面标志等信息。图2-12单任务学习[38]图2-13多任务学习[38]单任务学习如图2-12所示，四个任务分别由四个独立的网络分别进行学习，四个网络之间互不关联。而多任务学习如图2-13所示，四个任务在同一个网络中同时进行学习，且各任务之间共享一定数量的神经元。多任务学习的有效性体现在以下几个方面：（一）隐式数据增强神经网络模型在训练过程中会对噪声和有用信息进行判别。理想情况下，随着训练的深入，网络能很好的区分噪声和有用信息。但在实际中，为了防止过拟合，网络会倾向于更加保守，从而只学习更加通用的信息，此时就有可能将部分有用信息归类为噪声。而多个任务同时进行训练时，由于不同任务的有各自的噪声模式，通过不同噪声模式的
【参考文献】：
期刊论文
[1]面向复杂环境的图像语义分割方法综述[J]. 王嫣然,陈清亮,吴俊君. 计算机科学. 2019(09)
[2]自动驾驶发展与关键技术综述[J]. 王金强,黄航,郅朋,申泽邦,周庆国. 电子技术应用. 2019(06)
[3]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[4]基于卡尔曼滤波的多目标跟踪方法[J]. 赵广辉,卓松,徐晓龙. 计算机科学. 2018(08)
[5]车道线检测专利技术综述[J]. 王爽. 中国新通信. 2017(24)
[6]无人车自主定位和障碍物感知的视觉主导多传感器融合方法（英文）[J]. Jian-ru XUE,Di WANG,Shao-yi DU,Di-xiao CUI,Yong HUANG,Nan-ning ZHENG. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[7]基于Catmull-Rom样条曲线的弯曲车道线检测研究[J]. 何鹏,高峰,魏厚敏. 汽车工程学报. 2015(04)
[8]基于RGB空间的车道线检测与辨识方法[J]. 杨益,何颖. 计算机与现代化. 2014(02)
[9]一种基于扫描线的车道线识别算法[J]. 李若皓,丁冬花. 微计算机信息. 2008(16)
[10]一种基于直线模型的道路识别算法研究[J]. 徐友春,王荣本,李克强,赵玉凡. 中国图象图形学报. 2004(07)
硕士论文
[1]基于激光雷达回波信号的车道线检测方法研究[D]. 吴毅华.中国科学技术大学 2015
本文编号：3568138
本文链接：https://www.wllwen.com/kejilunwen/qiche/3568138.html
