【摘要】：車道線檢測技術(shù)是高級駕駛輔助系統(tǒng)中必不可少的關(guān)鍵技術(shù)之一。在一些簡單場景中,現(xiàn)有車道線檢測算法的效果能滿足實際應用需求,但是在光照不佳、路面擁堵、車道線外觀改變、路面地標干擾等具有變化性的道路場景中,算法性能急劇下降。近年來基于深度學習的方法將計算機視覺領(lǐng)域推向了一個新的高度,其算法在魯棒性、準確度等方面遠超傳統(tǒng)算法,因此本文嘗試將深度學習應用于車道線檢測,在不同的道路場景中達到準確、實時的效果。本文旨在探索可以應對道路場景變化的車道線檢測網(wǎng)絡,綜合考慮算法的準確性和實時性,結(jié)合實際應用場景,提出了基于LaneNet的車道線檢測算法LargeFOV-LaneNet 和基于 Spatial CNN 的車道線檢測算法 Spatial-LargeFOV,主要工作和創(chuàng)新點如下:(1)本文基于LaneNet的設計思路提出多任務網(wǎng)絡LargeFOV-LaneNet。探索了以LargeFOV(Large filed of view)為基礎網(wǎng)絡的編碼器-解碼器結(jié)構(gòu),并且利用不同擴張率的空洞卷積組合和跳躍連接融合多尺度上下文信息,實驗證明此算法可以在不同的道路場景中實現(xiàn)實時、較準確的車道線檢測。(2)本文基于Spatial CNN的基礎模型提出Spatial-LargeFOV。為了增加車道線目標的空間位置關(guān)系,以LargeFOV(Large filed of view)為基礎網(wǎng)絡搭建結(jié)合空間卷積結(jié)構(gòu)的編碼器-解碼器網(wǎng)絡,實驗證明此算法在速度和精度之間取得權(quán)衡,可以在不同的道路場景中實現(xiàn)實時、準確的車道線檢測。實驗結(jié)果表明,本文提出的Spatial-LargeFOV在光照不佳、路面擁堵、車道線外觀改變、路面地標干擾等具有變化性的道路場景中均具有較好的魯棒性,在CULane的測試集上可以達到71.5的F-measure值和每幀圖片35ms的速度。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183;U463.6
【圖文】：

是利用大量行車圖像訓練得到車道線分割模型，之后用訓練好的模型對目標圖片逡逑進行車道線檢測，提取出圖片中屬于車道線的像素區(qū)域，最后通過對該區(qū)域進行逡逑后處理得到車道點坐標數(shù)據(jù)。車道線檢測的流程如圖２－１，一般分為５個模塊，即逡逑車道線數(shù)據(jù)標注及篩選、車道線數(shù)據(jù)預處理、車道線分割模型訓練、模型輸出結(jié)逡逑果后處理、模型評價及性能分析。逡逑車道線檢測流程逡逑＾邐車邐車模模逡逑ｊ邐５邐道型型逡逑￡邐２邐線輸評逡逑２邐￡邐－分邐出邐價逡逑＾邐—？邐￡邐—？割一？結(jié)一？及逡逑ｔｅ邐｜邐模果邐性逡逑ｆ邐２邐型后能逡逑及邐處邐訓邐處邐分逡逑篩邐理邐練邐理邐析逡逑選逡逑圖２＿１車道線檢測流程圖逡逑Ｆｉｇｕｒｅ邋２－１邋Ｌａｎｅ邋ｄｅｔｅｃｔｉｏｎ邋ｆｌｏｗ邋ｃｈａｒｔ逡逑２．１．１車道線數(shù)據(jù)標注及篩選逡逑車道線標注是指對采集的行車圖像中的車道線區(qū)域進行標注，并將標注好的逡逑６逡逑

線數(shù)據(jù)預處理有ＲＯＩ選取、下采樣、逆透視變換等操作。逡逑圖２－２行車圖像圖ＲＯＩ區(qū)域邐圖２－３邋ＲＯＩ作ＩＰＭ逡逑Ｆｉｇｕｒｅ邋２－２邋ＲＯＩ邋ｏｆ邋ｄｒｉｖｉｎｇ邋ｉｍａｇｅ邐Ｆｉｇｕｒｅ邋２－３邋ＩＰＭ邋ｏｆ邋ＲＯＩ逡逑ＲＯＩ（Ｒｅｇｉｏｎ邋ｏｆ邋ｉｎｔｅｒｅｓｔ）選�。喝鐖D２－２所示，行車圖像中通常有將近一半是天逡逑空以及其他建筑物等等不包含正樣本的無關(guān)區(qū)域，因此可以裁掉該部分，只提取逡逑出我們感興趣的區(qū)域。這樣做可以提高圖片中車道線的像素占比，降低圖片尺寸逡逑大小，減小圖像壓縮比例，提高模型執(zhí)行效率。逡逑逆透視變換（ＩＰＭ，邋Ｉｎｖｅｒｓｅ邋ｐｅｒｓｐｅｃｔｉｖｅ邋ｍａｐｐｉｎｇ）：邋—般所采集的行車圖像都是車逡逑輛在道路上行駛的正視圖，具有近大遠小的透視效果：車道線近處比較粗，像素逡逑占比高，遠處慢慢變細，像素占比也越來越少；原本應互相平行的車道線最終匯逡逑聚在一個消失點。逆透視變換可以將正視圖轉(zhuǎn)換為俯視圖

【參考文獻】

相關(guān)期刊論文 前1條

1 劉富強;田敏;胡振程;;智能汽車中基于視覺的道路檢測與跟蹤算法[J];同濟大學學報(自然科學版);2007年11期

相關(guān)碩士學位論文 前1條

1 李松澤;基于深度學習的車道線檢測系統(tǒng)的設計與實現(xiàn)[D];哈爾濱工業(yè)大學;2016年

本文編號：2723089