原文传递
基于深度学习的车道线检测方法研究
| 论文题名： | 基于深度学习的车道线检测方法研究 |
| 关键词： | 自动驾驶;车道线检测;图像识别;深度学习;注意力机制 |
| 摘要： | 车道线检测是自动驾驶车辆环境感知的核心任务，直接影响着车辆执行模块的控制决策，对于自动驾驶具有重要的研究意义。目前常用的车道线检测方法通过聚类拟合算法确定车道线及其数目，但这种方法实时性较差，难以应对复杂的路况;另外，车道线检测模型参数量较大，需要对训练后的模型进行剪枝，而传统的剪枝方法只关注模型的压缩率，在剪枝的过程中难以保证算法的准确率。针对上述问题，本文提出了一种基于深度学习的车道线检测及模型剪枝方法，实现了复杂路况下车道线的高效准确检测。本文主要内容包括以下三个方面: (1)基于注意力机制的图像车道线检测方法。算法将车道线检测划分为三个子任务，对应车道线检测模型的车道线数量预测、语义分割、实例分割三个分支。在模型结构设计上采用了编解码架构，在网络各层中引入了注意力机制模块以及空洞卷积，用于保存图像的空间位置信息，车道线拟合用聚类算法实现。试验结果表明，基于注意力机制的车道线检测方法能够高效精确地检测出图像中的车道线。 (2)基于目标优化的车道线模型剪枝方法。在上述设计所得的车道线检测模型的基础上，提出了一种基于目标优化的剪枝方法。以模型参数变化量以及模型准确率变化量作为目标建立优化目标函数，通过调节两个权重系数来得到不同条件下的优化模型。使得模型能够根据不同应用场景需求来调整优化目标。试验结果表明，基于目标优化的模型剪枝方法能够有效地压缩模型，在提升模型响应速度的同时，确保了模型的准确率。 (3)车道线检测试验。制作了道路场景数据集，包含多种典型道路场景。分别在这些场景下测试车道线检测算法的准确率。试验结果表明，所建立的车道线检测模型鲁棒性较好，在多种复杂场景下能够有效地实现车道线检测任务。 |
| 作者： | 翁佳昊 |
| 专业： | 车辆工程 |
| 导师： | 秦永法 |
| 授予学位： | 硕士 |
| 授予学位单位： | 扬州大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
