详情

原文传递基于视觉的道路场景实例和可行驶区域分割方法研究

论文题名：	基于视觉的道路场景实例和可行驶区域分割方法研究
关键词：	智能驾驶汽车;道路场景实例分割;可行驶区域分割;视觉传感器
摘要：	随着工业智能化的不断推进，汽车产业也由传统模式走向智能化，智能驾驶技术已成为汽车界重点的研究方向。智能驾驶汽车系统主要由环境感知、路径规划、决策控制等子系统组成。基于视觉的环境感知技术在智能驾驶汽车感知任务中发挥着至关重要的作用，是智能驾驶汽车实现规划和控制的基础。道路场景实例分割和道路可行驶区域分割是智能驾驶汽车环境感知系统中的重要组成部分。　　为了保证智能驾驶汽车获取周围环境信息的准确性和实时性，基于视觉传感器，针对道路场景实例分割和道路可行驶区域分割两项任务，提出了一种基于单特征提取主干网络实现道路场景实例及可行驶区域分割多任务模型。结果表明，本方案在提升了分割精度的同时减少了算法在硬件平台运行的资源占用，具备较高的实际应用价值。　　本文研究内容总结如下：　　（1）对特征提取主干网络的优化。多任务模型共用一个特征提取网络。考虑常用特征提取主干网络ResNet50的网络层数较多，计算量大，不能保证实时性，使用计算量更少的深度可分离卷积代替ResNet50网络中的标准二维卷积，有效减少网络参数和计算量。与此同时，在其残差模块中嵌入空间注意力SE模块，让特征提取网络更好的关注图像中有效信息，抑制无用信息，提升网络捕捉图像特征的精准性。实验表明：改进后的特征提取网络在保证算法精度的基础上，推理速度提升了44.6%，达到46.3FPS，满足实时性的要求。　　（2）对实例分割算法的优化。在模型特征融合部分加入特征金字塔结构（FPN），融合不同尺度特征图的信息，均衡模型对不同尺度目标的分割精度。针对二阶段实例分割网络存在正、负样本不均衡，而导致过拟合；以及前向推理阶段候选框质量低，而导致误匹配问题。实例分割算法在Mask R-CNN实例分割头的基础上设计了基于不同IOU阈值的级联实例分割头，通过不同的IOU阈值迭代筛选候选框来提高候选框质量，从而解决过拟合和误匹配问题，实现了实例分割精度的提升。实验表明：改进后，特征金字塔结构和级联结构的实例分割头总体带来了2.27%的Box AP和2.03%的Mask AP提升。　　（3）对可行驶区域分割算法的优化。以编码-解码结构的DeeplabV3+模型为基础，针对DeeplabV3+模型空洞空间金字塔池化（ASPP）结构中空洞率过大而导致丢失图像空间信息的问题，加入十字交叉注意力模块，提升模型对图像全局空间信息的获取能力，弥补ASPP结构造成空间信息丢失的不足。在损失函数方面，分析车载摄像头采集的道路图像数据特点，针对性改进损失函数，缓解样本不均衡的弊端，提高分割精度。实验表明：改进后的模型，mIOU总体实现3.44%的提升。　　（4）提出道路场景实例和可行驶区域分割多任务模型。由于智能驾驶汽车车载平台的算力有限，利用多任务模型的思想，提出共用主干网络的道路场景实例和可行驶区域分割多任务模型。实现一个模型完成两个视觉任务，显著提升模型运算效率。基于本课题组智能车移动平台，利用ROS系统部署多任务模型并进行实车实验。结果表明，多任务模型在实车平台验证中展现出良好的实时性及分割效果。
作者：	蔡柏湘
专业：	车辆工程
导师：	王海
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022