详情

原文传递智能网联汽车压线检测方法研究

论文题名：	智能网联汽车压线检测方法研究
关键词：	车道线识别;网联汽车;VGG-LaneNet;压线检测;深度学习
摘要：	随着智能驾驶技术的发展，自动驾驶成为当前的研究热点，其中，压线检测是无人车出厂前检测的一项非常重要的技术。而精确检测和提取车道线目标并判别虚实线是压线检测的前提，同时也是保持车道以及变道超车的关键，能够在一定程度上辅助驾驶员安全行驶并观察当前的车道环境，减轻驾驶员的压力。目前，在压线检测整个过程当中，判别车道线的检测和虚实易受到多变的车道环境影响，尤其针对弯曲的车道线及存在遮挡和车道受损情况时，检测精度较差。同时，传统基于像素点数量判断道路虚实线效果并不好，应用在压线检测中会造成不必要的干扰。因此，为有效提升检测精度，本文得到国家重点研发项目“自动驾驶仿真及数字孪生测试评价工具链（NO.2021YFB2501200）”的资助，利用深度学习方法对车道线进行精确提取，同时根据车道线信息参数识别道路虚实线，完成压线检测。主要完成了以下三部分研究：　　（1）针对车道线受损严重及易被行驶车辆等障碍物遮挡的问题，提出了一种改进的迁移集成VGG-LaneNet车道线检测网络。首先，引入并行空洞空间金字塔池化（ParallelASPP）结构，对VGG16网络进行优化改进，在原有空洞率的基础上设计并行卷积结构，充分完成采样，减少特征信息丢失的同时获取多层次的尺度信息；然后，在该网络基础上设计改进的VGG-LaneNet网络迁移集成模型分离车道线和背景，并提取车道线特征，引入迁移学习和集成学习提升网络的学习泛化能力，降低网络学习的成本和耗时，并输出一个可信度较高的结果；最后，在网络处理阶段，结合轮廓系数和手肘法相辅改进K-Means聚类算法，根据车道线数目自动确定一个合适的聚类模型，将网络提取的车道线像素准确地聚到相应的每个车道线位置上。实验结果证明，车道线检测准确率可以达到96.57%，相对于同类检测文献方法有所提升。　　（2）针对车辆行驶中出现的因变换车道或借道超车等短时间压白色虚线的行为，存在干扰车辆压线检测的问题，提出了一种车道虚实线检测分类方法，利用改进的迁移集成VGG-LaneNet车道线检测网络检测出道路上的车道线及其数目，获得每个车道线在图像中对应的位置。在此基础上，提取车道线所在图像对应位置区域的ROI区域，预估长直线的长度，并取一半左右作为阈值来判断此车道线属于实线或者虚线。实验证明，本文提出的虚实线分类算法简单实用，平均每帧检测时间为30ms，且分类精度更高，准确度达到了93.6%，高于同类比较方法。　　（3）针对传统车辆压线检测方法精度不高、实时性有限的问题，提出了一种新的车辆压线检测算法，能够精确检测出道路图像中的车道线，并判别区分虚实线。融合车道线虚实线判别结果、精确的位置信息以及道路图像中车辆轮廓信息，检测车辆行驶过程中是否存在压实线违章行为。实验证明，与现有的检测方法比较，新算法检测准确率有较大幅度的提升，可以达到95.5%。
作者：	张少帅
专业：	控制工程
导师：	茹锋;黄鹤
授予学位：	硕士
授予学位单位：	长安大学
学位年度：	2022