原文传递
车道线检测和语义分割模型在自动驾驶中的应用
| 论文题名： | 车道线检测和语义分割模型在自动驾驶中的应用 |
| 关键词： | 车道线检测;图像语义分割;深度学习;场景感知;自动驾驶 |
| 摘要： | 自动驾驶的发展掀起汽车行业的革命浪潮。目前，无论是传统车企、互联网公司还是大大小小的创业公司都在跟进自动驾驶技术，并且自动驾驶技术已经被提升到国家层面，尤其是在中国。自动驾驶中一个重要技术是自主车对周围场景的理解与定位。本文主要研究场景理解中的车道线检测技术和图像的语义分割技术，其主要内容如下: 本文提出一种车道线检测方法，首先获取连续帧的彩色图像，对当前帧图像进行灰度化处理，并根据相机参数及设定的鸟视图大小，将灰度图做逆透视变换获得道路部分的鸟视图;然后根据控制点先验信息，使用泰森多边形对鸟视图进行区域划分，并对划分区域进行图像二值化处理;再根据车道线先验信息对区域分组，并且分别记录非零像素值的像素点坐标。接着使用改进的RANSAC算法对分组点集做曲线拟合获得车道线方程，最后结合车道线方程和卡尔曼滤波算法对当前图像控制点的预测，计算出最终的车道线方程并对车道线方程做透视变换，获得原始图像的车道线方程。在本实验室采集的图像数据上的实验结果表明，本方法对车道线检测精度高、鲁棒性好，可同时完成多车道线检测。 图像的语义分割是将一张图像分成几个有意义的部分，并且将每一个部分分类成提前定义好的类别。本文认为现存的语义分割方法不能可靠的应用于自动驾驶系统中，因为他们都忽略了自动驾驶场景中不同目标类别具有不同重要性等级这一信息。例如，当人们驾驶一辆汽车时，场景中的“Pedestrian”，“Car”和“Bicyclist”要比“Sky”和“Building”来的重要，因此这些目标类别应该尽可能的被精确分割。为了考虑不同目标类别具有不同的重要性这一重要信息，本文设计了一个“重要性意识损失函数(Importance-Aware Loss(IAL))”，该损失函数能够强调自动驾驶中重要的目标类别。重要性意识损失函数具有层次结构，具有不同重要性的目标类别分别处于不同的等级上以便于获得不同的权重。此外，本文推导所提的重要性意识损失函数的前向与后向传播准则，将其应用于四个典型的深度神经网络中，用于实现自动驾驶场景中的图像语义分割。本文所提损失函数在CamVid和Cityscapes数据集上的实验结果表明，现存的FCN，SegNet，ENet和ERFNet模型能够将自动驾驶场景中提前定义好的重要的目标类别分割的更加精确。 |
| 作者： | 陈必科 |
| 专业： | 模式识别与智能系统 |
| 导师： | 杨健 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
