原文传递
融合视频信息的多项式车道线检测网络研究
| 论文题名： | 融合视频信息的多项式车道线检测网络研究 |
| 关键词： | 车道线检测;深度学习;视频信息;图像处理;多项式回归 |
| 摘要： | 近些年来电动化、智能化已经成为汽车发展的潮流，高级辅助驾驶功能正成为汽车智能化的象征，汽车感知、汽车控制、路线规划相关的模块系统也由此应运而生。其中，感知模块是高级辅助驾驶功能安全且高效运行的基础，车道线检测更是其中无比重要的一环。目前，主流的车道线检测网络可以分为四种不同的研究思路:实例分割车道线、锚点框检测车道线、车道线关键点检测以及基于多项式回归的车道线检测。在四类主流网络中，基于多项式回归的模型（如PolyLaneNet）运行速度非常快，高于车载摄像头采集图像的速度，可满足实际应用的需要。但该模型存在空间泛化能力弱等缺点，与其他模型相比检测效果稍差。 基于PolyLaneNet模型的应用潜力，本文在PolyLaneNet模型的基础上进行改进，以提高检测准确率。首先，针对道路复杂的环境时常造成车道线被遮挡的问题,根据车道线总是成对出现的先验信息，将特征翻转模块融合到PolyLaneNet网络，来降低模型对车道线的漏检率。进一步，本文构建了Transformer模块来输出回归系数，使得模型能够学习到更为全局性的空间信息，得到新的模型PolyLaneNet+。该模型在Tusimple数据集上的检测准确率为90.20％,在相同情况下高于PolyLaneNet的88.62％,在精度提高的情况下，PolyLaneNet+模型仍然保持了相当高的运行速度。消融实验也表明，这两个模块分别对于降低车道线漏检和提高预测精度有所贡献。另外，考虑到在车辆行驶时摄像机通常以视频的形式收集道路数据,本文尝试将视频中的时间信息应用到车道线检测当中，利用记忆聚合模块将时间信息添加到PolyLaneNet+中,构建了PolyLaneNet++模型。PolyLaneNet++模型与最近的基准模型相比，在VIL100数据集上实现了与预期一致的结果。其中，PolyLaneNet+的检测准确度为92.30％,PolyLaneNet++为93.1％,均优于当前的主流模型，并且PolyLaneNet++模型比PolyLaneNet+模型检测准确度要更高。以上结果表明引入视频信息对于网络的改进是有效的，利用视频信息提高车道线检测的效果，具有相当的研究价值和应用前景。 |
| 作者： | 田智辉 |
| 专业： | 应用统计 |
| 导师： | 李伟夫 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中农业大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
