基于LargeFOV编解码结构的车道线检测

发布时间：2020-06-20 22:56

【摘要】：车道线检测技术是高级驾驶辅助系统中必不可少的关键技术之一。在一些简单场景中,现有车道线检测算法的效果能满足实际应用需求,但是在光照不佳、路面拥堵、车道线外观改变、路面地标干扰等具有变化性的道路场景中,算法性能急剧下降。近年来基于深度学习的方法将计算机视觉领域推向了一个新的高度,其算法在鲁棒性、准确度等方面远超传统算法,因此本文尝试将深度学习应用于车道线检测,在不同的道路场景中达到准确、实时的效果。本文旨在探索可以应对道路场景变化的车道线检测网络,综合考虑算法的准确性和实时性,结合实际应用场景,提出了基于LaneNet的车道线检测算法LargeFOV-LaneNet 和基于 Spatial CNN 的车道线检测算法 Spatial-LargeFOV,主要工作和创新点如下:(1)本文基于LaneNet的设计思路提出多任务网络LargeFOV-LaneNet。探索了以LargeFOV(Large filed of view)为基础网络的编码器-解码器结构,并且利用不同扩张率的空洞卷积组合和跳跃连接融合多尺度上下文信息,实验证明此算法可以在不同的道路场景中实现实时、较准确的车道线检测。(2)本文基于Spatial CNN的基础模型提出Spatial-LargeFOV。为了增加车道线目标的空间位置关系,以LargeFOV(Large filed of view)为基础网络搭建结合空间卷积结构的编码器-解码器网络,实验证明此算法在速度和精度之间取得权衡,可以在不同的道路场景中实现实时、准确的车道线检测。实验结果表明,本文提出的Spatial-LargeFOV在光照不佳、路面拥堵、车道线外观改变、路面地标干扰等具有变化性的道路场景中均具有较好的鲁棒性,在CULane的测试集上可以达到71.5的F-measure值和每帧图片35ms的速度。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;U463.6
【图文】：

检测流程,分割模型

是利用大量行车图像训练得到车道线分割模型，之后用训练好的模型对目标图片逡逑进行车道线检测，提取出图片中属于车道线的像素区域，最后通过对该区域进行逡逑后处理得到车道点坐标数据。车道线检测的流程如图２－１，一般分为５个模块，即逡逑车道线数据标注及筛选、车道线数据预处理、车道线分割模型训练、模型输出结逡逑果后处理、模型评价及性能分析。逡逑车道线检测流程逡逑＾逦车逦车模模逡逑ｊ逦５逦道型型逡逑￡逦２逦线输评逡逑２逦￡逦－分逦出逦价逡逑＾逦—？逦￡逦—？割一？结一？及逡逑ｔｅ逦｜逦模果逦性逡逑ｆ逦２逦型后能逡逑及逦处逦训逦处逦分逡逑筛逦理逦练逦理逦析逡逑选逡逑图２＿１车道线检测流程图逡逑Ｆｉｇｕｒｅ邋２－１邋Ｌａｎｅ邋ｄｅｔｅｃｔｉｏｎ邋ｆｌｏｗ邋ｃｈａｒｔ逡逑２．１．１车道线数据标注及筛选逡逑车道线标注是指对采集的行车图像中的车道线区域进行标注，并将标注好的逡逑６逡逑

区域图,图像,区域,透视变换

线数据预处理有ＲＯＩ选取、下采样、逆透视变换等操作。逡逑图２－２行车图像图ＲＯＩ区域逦图２－３邋ＲＯＩ作ＩＰＭ逡逑Ｆｉｇｕｒｅ邋２－２邋ＲＯＩ邋ｏｆ邋ｄｒｉｖｉｎｇ邋ｉｍａｇｅ逦Ｆｉｇｕｒｅ邋２－３邋ＩＰＭ邋ｏｆ邋ＲＯＩ逡逑ＲＯＩ（Ｒｅｇｉｏｎ邋ｏｆ邋ｉｎｔｅｒｅｓｔ）选取：如图２－２所示，行车图像中通常有将近一半是天逡逑空以及其他建筑物等等不包含正样本的无关区域，因此可以裁掉该部分，只提取逡逑出我们感兴趣的区域。这样做可以提高图片中车道线的像素占比，降低图片尺寸逡逑大小，减小图像压缩比例，提高模型执行效率。逡逑逆透视变换（ＩＰＭ，邋Ｉｎｖｅｒｓｅ邋ｐｅｒｓｐｅｃｔｉｖｅ邋ｍａｐｐｉｎｇ）：邋—般所采集的行车图像都是车逡逑辆在道路上行驶的正视图，具有近大远小的透视效果：车道线近处比较粗，像素逡逑占比高，远处慢慢变细，像素占比也越来越少；原本应互相平行的车道线最终汇逡逑聚在一个消失点。逆透视变换可以将正视图转换为俯视图

【参考文献】