原文传递
基于深度学习的结构化道路车道线及可行驶区域识别方法研究
| 论文题名： | 基于深度学习的结构化道路车道线及可行驶区域识别方法研究 |
| 关键词： | 智能驾驶;结构化道路;车道线检测;可行驶区域;深度学习 |
| 摘要： | 近年来，随着我国人均汽车保有量的提升，交通拥堵、大气污染等诸多问题也日益凸显。智能驾驶技术的发展不仅将改变多年来人类驾驶车辆的行为习惯，更重要的是将在交通安全、运输成本、用车效率和空气污染等方面推动整体社会的发展和进步。而环境感知技术是实现智能驾驶的首要环节，能为后续决策、控制提供有力的感知数据支撑。本文课题来源于国家重点研发计划《面向机场行李转运的群体智能托运车辆研究与实践》，项目编号：2021YFE0203600，利用图像信息完成车道线检测追踪及可行驶区域检测识别等研究工作，在推动智能驾驶、提高环境感知算法准确度与速度、搭建环境感知系统等方面具有一定现实意义。具体从以下几个方面展开： 1．研究一种基于图像数据的道路语义分割网络。针对车辆感知对模型轻量化的要求，选择基于BiSeNetV2语义分割网络进行优化。在特征提取部分的语义分支与细节分支每个阶段末端引入一种高效的通道注意力模块来提高模型感知精度，得到ECA-BiSeNetV2网络。使用实车采集的道路图像数据进行标注并构建自采数据集，最后在Cityscapes数据集、KITTI数据集及自采数据集上分别对改进前后的网络模型进行训练，对比模型验证结果，最终实验数据显示：加入注意力模块后在运算量少量增加的条件下，模型精度得到了有效地提高，可用于完成本文道路语义分割任务。 2．研究车道线检测追踪及可行驶区域后处理算法。本文根据道路语义分割的输出结果，分别对车道线和可行驶区域进行处理。首先从语义分割结果提取出车道线图像，进行透视变换转换到俯视图视角，然后使用改进的可变滑动窗口的方法对车道线进行搜索和分类，再利用最小二乘法拟合每条车道线。得到车道线拟合参数后使用卡尔曼滤波对车道线进行预测，再基于马氏距离和新旧车道线交并比构建混合代价矩阵并使用匈牙利算法对前后帧车道线进行匹配，并赋予固定序号。从语义分割图中提取可行驶区域图像，输出可行驶区域最大连通域的边界，有效去除了语义分割结果中孤立的可行驶区域。 3．搭建道路环境感知系统。本文基于ROS系统搭建道路环境感知系统，采用离线视频验证和实车采集实验两种形式分别验证道路环境感知系统的可行性，对多种道路场景下的感知输出效果进行评价，并对感知系统性能进行测试。实验结果表明，本文搭建的道路环境感知系统能够快速有效地完成车道线检测追踪与可行驶区域边界输出等任务。 |
| 作者： | 刘嘉巍 |
| 专业： | 车辆工程 |
| 导师： | 韩毅 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
