原文传递
复杂交通场景下车道线检测算法研究
| 论文题名： | 复杂交通场景下车道线检测算法研究 |
| 关键词： | 复杂交通场景;车道线检测;语义分割;深度学习 |
| 摘要： | 车道线检测作为自动驾驶领域环境感知模块的主要任务，在自动驾驶车辆的行驶过程中起到重要作用，车道线检测算法的研发和优化具有极其重要的研究价值。近年来随着传统图像处理方法和基于深度学习方法的发展，车道线检测算法已经取得了阶段性成果。然而，算法在处理复杂交通场景时泛化性较差，无法适应不同的车辆行驶速度且受恶劣天气、障碍物遮挡等因素影响漏检和误检现象时有发生。本文针对不同复杂交通场景设计了相应网络模型进行精准检测。 针对当前车道线检测算法都应用了路面平坦、光照均匀等几何假设，导致模型在处理上下坡，弯道以及陌生地形时泛化性差等问题。本文设计一种无几何假设的3D车道线检测网络，该网络结合语义分割技术与注意力机制用以车道线语义分割，改进几何变换的方法计算3D车道线结构，改进线性插值损失函数和Anchor表示的方法辅助车道线拟合。本文设计对比实验和消融实验证明该方法的有效性。 针对当前车道线检测算法仅停留在图像层面，且无法适应不同车辆行驶速度的问题。本文改进一种基于卷积神经网络(CNN)和循环神经网络(RNN)的半监督框架用于实现基于视频的车道线检测任务，通过RNN处理连续图像帧之间的时序信息，CNN提取和整合特征图信息。该方法引入多尺度特征提取模块来适应多尺度车道线目标。实验使用图像序列作为网络输入，其中仅1/10的带标签数据，节省了标注成本。通过设计不同的网络输入图像采样步长模拟不同车辆行驶速度，并在多种复杂交通场景下验证视频车道线检测模型的效果。 针对雾霾、遮挡、磨损等恶劣天气及特殊路段影响模型鲁棒性的问题。本文设计基于视频的有监督多级记忆聚合网络，使用VIL数据集进行实验。改进条纹池化聚合上下文信息，使用时序信息聚合模块增强了图像帧间的时空相关性。通过对比实验证实多级记忆聚合网络能够增强模型的鲁棒性，提升模型的检测效果。 |
| 作者： | 董庆波 |
| 专业： | 电子信息 |
| 导师： | 姜艳姝 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
