原文传递
面向复杂道路场景的车道线语义分割与拟合跟踪
| 论文题名： | 面向复杂道路场景的车道线语义分割与拟合跟踪 |
| 关键词： | 智能驾驶;车道线;语义分割;跟踪算法;高斯滤波去噪;鲁棒性;准确性 |
| 摘要： | 车道线检测与跟踪是车辆智能驾驶核心环节，为车辆安全驾驶提供准确道路信息。近年来车道线语义分割取得了一定的进展，但在实际行驶道路中，受复杂道路场景制约，仍存在漏检和误检现象。此外车道线分类检测研究不充分，传统方法通常将车道线视为同一类别进行检测，无法有效分割不同类别车道线缺乏交通语义信息，不同类别车道线分割对于智能驾驶更具有实际意义。因此本研究提出一种优化的SegFormer语义分割算法，旨在提升复杂道路场景下不同类别车道线分割的鲁棒性和准确性。主要工作如下： （1）数据采集、预处理及标注。采用单目摄像机对光照天气、路面磨损、阴影、遮挡等复杂道路场景的八种类别车道线进行采集，八种车道线类型分别为单虚白线、单虚黄线、单实白线、单实黄线、双实白线、双实黄线、双线-左虚右实、双线-左实右虚，建立复杂道路场景车道线数据库并对其进行精准分类；为保证数据质量进行差异值哈希去重和高斯滤波去噪处理；最后对数据进行类别标注。 （2）车道线语义分割算法研究。首先实验分析Faster RCNN、FCN、OCRnet、U-Net和SegFormer语义算法，选取较优算法作为基础算法进行优化；其次SegFormer语义分割算法作为基础算法，嵌入非局部神经网络模块，丰富车道线上下文信息，提高复杂道路场景下不同类别车道线的平均像素准确率；最后建立 RESA 聚合模块，在编码解码过程中增强车道线类别特征的全局融合能力减少车道线特征丢失；实验验证表明：本模型平均交并比为80%，相比基础模型提升5%，平均像素准确率91%，提升5.4%，优于基础算法。 （3）基于关键像素点的车道线拟合跟踪。针对语义分割像素点拟合过程存在时间复杂度高的问题，提出一种基于最优关键像素点的车道拟合方法；最小二乘法对关键像素点进行拟合；最后使用卡尔曼滤波算法完成车道线的预测更新，确保车道线跟踪状态稳定性的同时提升车道线拟合跟踪的时效性。 （4）复杂道路场景实验分析。通过具体的复杂道路场景实验完成优化模型鲁棒性和准确率验证，依次完成不同光照条件、不同天气条件、不同车道线自身状态条件的复杂道路场景八种类别的车道线语义分割实验，实验结果表明：相较于基础模型本研究提出的车道线语义分割网络在复杂道路场景下具有较强鲁棒性和较高准确性。 本研究提出的车道线语义分割算法能够适用于复杂的道路场景，同时该算法还对车道线类别进行了更加细致和精准地分类，为智能驾驶系统提供更多有用信息。本研究算法相较于与其他车道线分割算法具有较强的鲁棒性和较高的准确性。 |
| 作者： | 李胜楠 |
| 专业： | 机械工程 |
| 导师： | 程文冬;徐伟俊 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安工业大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
