基于深度学习的车道线检测算法研究

发布时间：2020-08-12 16:03

【摘要】：随着汽车的日益普及,道路交通事故发生率不断上升,严重影响到人们的生命财产安全。自动驾驶可有效减少交通事故的发生,而车道线检测与识别是自动驾驶系统的重要组成部分。传统的车道线检测方法主要基于边缘特征检测或者图像分割,易受到光照变化、行驶车辆、道路破损等干扰,导致算法鲁棒性下降,在不良天气和复杂环境下达不到所需的检测准确率。深度学习方法利用网络模型自动学习目标特征,具有较高的泛化能力,可以有效提高目标检测的准确率。近年来,卷积神经网络在机器视觉应用领域中取得了巨大的成功。本文就基于卷积神经网络进行车道线检测的研究,主要工作如下。1.研究了图像预处理方法。通过消失点检测确定道路图像的感兴趣区域,去除天空等与任务无关的区域,从而缩小算法搜索空间、提高算法速度;基于逆透视变换将道路图像转化为俯视图,使车道线的长和宽在整幅图中都保持一致,还原了车道线的真实特征,有效提高算法检测性能。2.设计了两种基于深度神经网络的车道线检测方法。一种方法是利用车道线的灰度特征获取车道线候选区域,利用CNN(Convolutional Neural Networks)进行车道线与非车道线的分类;另一种方法是基于目标检测网络R-FCN(Region-based Fully Convolutional Networks)检测车道线,车道线的定位与分类全部由R-FCN网络完成。建立了理想和非理想条件的6个测试数据集,实验结果表明,基于R-FCN网络的车道线检测方法达到了更高的召回率和准确率,平均为97.1833%和93.8317%。3.研究了车道线候选区域的连接、拟合以及车道线检测结果的评估方法。针对直道和非直道的识别问题,提出了基于角度估计的车道线区域连接方法;设计了基于梯度特征和最小二乘法实现车道线拟合的方法。实验表明,本文的方法能够适应不同的场景,平均错误率仅为2.85%,准确率为98.7715%,横向偏移量为3.1531像素。4.车道线前方的车辆、行人等目标遮挡车道线,导致车道线检测性能下降。为实现车道线、车辆、行人的同时检测,提高车道线乃至各任务的检测性能,本文将逆透视变换移植到基于R-FCN的多任务网络,实现了车道线的end-to-end检测,并进一步实现了车辆与车道线的多任务检测。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TP181
【图文】：

车行道,分界线,示例

能够自动检测车道线并通过语音等各种方式提醒驾驶员，让驾辆已发生车道偏离，从而使驾驶员做出适当操作，这样就能避；假如车辆能够在事故发生前的１秒，通过预警方式提醒驾驶员９０％的事故［５］。如此惊人的比例足以证明车道线检测对于道路交通。逡逑内外研究现状逡逑车行道分界线，凡同一行驶方向有二条或二条以上车行道时，应道线种类繁多，根据《道路交通标志和标线》国家标准的规定［６］为ｌ0ｃｍ、１５ｃｍ或２０ｃｍ，按照线的形式以及颜色可分为白色虚色虚线，黄色实线，双白实线，双白虚线，白色实虚线，双黄实类型，各自表示了不同的含义。其中不同的车道线虚线之间的间图１－１所示，车道线检测技术就是利用图像处理等方法检测出

车道,标识线,路面,道路

现很多的变化，不同场景下的车道也有一定的差异，给车道标识线检测带来巨大的逡逑挑战。一般来说，高速公路往往更具可预见性和有序性，路面通常保持良好，车道逡逑标志明显。城市道路的场景多样，使车道线检测的难度陡增［８］。如图１－２所示，环逡逑境光照的变化；车道本身的变化（如实线／虚线，直道／弯道，宽度和曲率的变化）；逡逑车辆前方其它车辆、行人以及其它障碍物的遮挡；道路旁树木、建筑、桥梁等投射逡逑在路面上的阴影；车道标线褪色、路面上的油污；图像质量过差（例如逆光）不规则逡逑的车道形状，突然出现和合并的车道，道路文字以及其他道路上的标记（如人行横逡逑道），不同的路面材料和不同的坡度等是车道标识线检测面临的主要问题。逡逑３逡逑

检测车,路况,车辆,行人

。逡逑１．３论文主要研究内容及结构逡逑综上所述，户外场景图像，情况复杂，车道线检测方法面临较大挑战，不仅要逡逑适应结构化道路、光照良好的路况，还要适应复杂路况，如异物覆盖、阴影遮挡、逡逑光照不均、车道线破损等。车道线检测实现工程化应用还要解决实时性问题。传统逡逑方法使用手工提取的特征不足以适应各种场景下的检测任务，本论文基于单目视逡逑觉采集的图像，研究了深度神经网络，包括（ｌ）ＣＮＮ与Ｒ－ＦＣＮ检测：利用卷积神逡逑经网络检测车道线线段；（２）车道线拟合：将线段拟合成完整的车道线，例如直道逡逑或弯道；（３）上述步骤只检测车道线，而道路上不仅有车道线，还有行人和车辆等逡逑各种目标，在检测车道线的同时检测道路上的行人和车辆，非机动车等目标，不仅逡逑可以提高车道线检测的准确率和精确度，同时简化整个车载目标检测任务。因此，逡逑本文研究了基于多任务网络的检测，但是本文只是完成了车辆和车道线的同时检逡逑测，其他目标的检测将在日后进行。图１－３显示了本文的主要内容，虚线箭头表示逡逑本文未涉及的工作：

【相似文献】