详情

原文传递不利天气条件下山区城市道路交通信息视觉检测技术研究

论文题名：	不利天气条件下山区城市道路交通信息视觉检测技术研究
关键词：	自动驾驶;山区城市道路;不利天气条件;车道线检测;注意力机制;轻量化网络
摘要：	视觉感知技术作为车辆实现精准目标检测、跟踪和交通信息识别等关键功能的必要手段，已成为自动驾驶领域的研究热点。在复杂多变的山区城市场景中，如雨、雾和低照度等恶劣天气条件，导致视觉环境感知技术获取周围道路交通信息的准确性下降，从而增加智能网联汽车的行驶危险，甚至发生交通事故。因此，研究在不利天气条件下山区城市道路场景中如何进行稳定的交通信息视觉检测技术，具有重要的理论和实际应用价值。　　本论文主要聚焦于山区城市雨天场景中的道路交通信息视觉检测技术研究，具体研究工作和特色之处如下：　　（1）为解决山区城市交通信息图像综合数据集缺乏的问题，搭建图像采集平台，系统地采集贵州省内包含雨天、雾天、夜间、隧道等复杂场景的视频图像，建立综合数据集，并以场景为基准对图像进行分类，同时对图像中所有可见车道线进行标定预处理。本研究丰富了公共数据集多样化场景图像数据，为后续交通信息检测等研究提供了数据支持。　　（2）针对雨滴对图像背景造成的扭曲、模糊等不利影响，提出一种融合多尺度特征信息的雨滴图像增强算法。采用雨滴形状驱动注意力模块来进行雨滴的捕捉；同时，引入空间与通道协调注意力机制，加强图像重要空间和通道特征权重；此外，设计新型空洞空间卷积池化金字塔模块来捕获图像多尺度特征。定量实验表明，此算法在公共数据集上的峰值信噪比值达到30.75，结构相似度值达到0.9254，在自建雨天图像数据集上，也能完成图像雨滴去除任务，恢复背景图像细节，为后续车道线检测研究提供可靠的图像数据。　　（3）基于雨滴图像增强算法，研究雨天条件下的山区城市道路交通信息检测方法。以车道线检测为例，针对雨天场景下检测准确度不足的问题，提出一种基于注意力残差机制的车道线检测算法。联合 SENet(Squeeze-and-Excitation Networks)网络和ResNet(Deep residual network)结构，改进车道线检测网络的基础单元；采用雨滴图像增强算法预处理图像数据作为网络训练集。实验结果表明，此算法在自建雨天图像数据集和晴天公共数据集上的检测精度分别为86.59%和96.67%，证明本算法具有显著的效果。　　（4）针对车道线检测算法结构复杂、参数较多等问题，改进一种轻量级车道线检测网络。首先减少检测网络中的沙漏模块数量，简化网络结构；然后用深度可分离卷积替代尺寸调整模块中的标准卷积以初步降低参数数量；最后用 ECANet 网络和ResNet网络结构改进模块单元。实验证明，参数数量仅为1.64MB的检测网络在自建多场景图像数据集和晴天公共数据集上的检测精度可达到93.86%和96.62%，算法处理速度达到38fps，证明了轻量化车道线检测算法的有效性。　　通过建立不利天气下的山区城市道路交通图像数据集，丰富交通信息检测领域的多样场景图像数据。设计雨滴图像增强算法、车道线检测算法，为解决雨天天气下的山区城市道路车道线检测研究提供了理论支撑。
作者：	崔明义
专业：	机械工程
导师：	冯治国
授予学位：	硕士
授予学位单位：	贵州大学
学位年度：	2023