原文传递
面向自动驾驶的车道线检测与环境感知方法研究
| 论文题名： | 面向自动驾驶的车道线检测与环境感知方法研究 |
| 关键词： | 自动驾驶;车道线检测;道路感知;图像预处理;深度学习 |
| 摘要： | 车道线检测作为道路环境感知系统的重要组成部分，是车道偏离预警、车道保持等关键驾驶技术的基础，在无人自动驾驶技术中具有重要的意义。本文基于高速公路场景下车道线检测需求，通过改进图像预处理、优化检测模型网络结构，实现兼顾高精度和高实时性的快速车道线检测方法；并在此基础上，通过改进道路感知模型，提出了包括车道线检测、车辆目标识别、可行驶区域分割的多任务道路环境感知方法。本文的主要研究如下： 1) 提出道路图像网格划分预处理方法，提升车道线检测速率和精度稳定性。针对“超快车道线检测”(UFLD, Ultra Fast Lane Detection)算法中采用的图像网格划分存在的模型检测精度波动较大等问题，本文提出一种道路图像网格划分,并将图像调整到不同分辨率分别训练的方法。实验表明，该方法在 Tusimple数据集中能够实现95.97%的精度和400FPS推理速度，比UFLD分别提升了0.15%和30%；在 CuLane 数据集中大多数场景的检测精度优于 UFLD 算法，平均精度提升了1.7%。 2) 提出 Shuffle-Inception 结构，提升车道线检测模型的检测精度。本文结合Inception模块和ShuffleNet网络结构的优点，提出了Shuffle-Inception结构，并借助SE Attention(通道注意力)模块，提高车道线特征提取性能。实验表明，在Tusimple数据集中，改进模型相比UFLD，精度提升了0.34%；在CuLane数据集中，与其他开源车道线检测算法相比，在常规路况和弯道检测场景中均优于原有方法，检测精度分别达到92.3%和70.2%。 3) 提出基于改进 YOLOP 的多任务道路环境感知方法。针对 YOLOP 存在小目标难以检测，区域检测易出现空洞的问题，本文采用引入Shuffle-Inception提取特征和Anchor稠密化的方法，提升对小目标的检测能力；设计空洞卷积融合模块，降低区域检测中的目标漏检比例；针对车道线检测更关注特征的位置信息，将车道线分支单独引出，并加入改进的APN结构，提升车道线的检测能力。实验结果表明，该方法能够有效解决YOLOP存在的问题，同时车道线检测精度达到72.5%；检测速度达到54.6FPS，提升了12.6%。 |
| 作者： | 张瀚中 |
| 专业： | 计算机科学与技术 |
| 导师： | 娄路 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
