基于编码-解码网络的车道线检测算法.pdf
《基于编码-解码网络的车道线检测算法.pdf》由会员分享,可在线阅读,更多相关《基于编码-解码网络的车道线检测算法.pdf(7页珍藏版)》请在咨信网上搜索。
1、信息技术 年第 期基于编码解码网络的车道线检测算法李立君 宋廷伦 赵万忠 王源隆 张艳磊(.南京航空航天大学能源与动力学院 南京 .奇瑞汽车股份有限公司 安徽 芜湖)摘 要:为解决在车道线磨损、被遮挡以及光照变化等复杂场景中车道线检测精度较低的问题提出了一种基于编码解码网络的车道线检测算法 首先对 网络进行改进和优化组成编码网络然后结合 模块和金字塔注意力机制组成解码网络对图像进行像素级的语义分割识别并区分车道线最后基于自适应拟合算法拟合车道线 在 公开数据集上进行训练和测试结果表明该算法的准确率、检测速率、误检率和漏检率分别为:、帧/秒、在复杂场景下的检测精度较高鲁棒性较强关键词:车道线检测
2、 编码网络 解码网络 语义分割中图分类号:文献标识码:文章编号:():./.基金项目:国家自然科学基金()江苏省自然科学基金()作者简介:李立君()男在读硕士研究生研究方向为深度学习、自动驾驶感知通讯作者:宋廷伦()男博士高级工程师研究方向为智能驾驶仿真技术 (.):./.:引 言车道线检测是智能驾驶感知系统中一个必不可少的环节是很多智能驾驶技术得以落地实现的前提 但是在实际的驾驶场景中会遇到车道线缺失、被遮挡、光照变化等情况给车道线检测带来了很大的困难 目前车道线检测算法主要分为基于传统图像处理的方法和基于深度学习的方法 基于传统图像处理的方法主要包括图像预处理、划分感兴趣区域()、提取车道
3、线特征、基于编码解码网络的车道线检测算法 李立君 等特征点聚类、拟合特征点等步骤 虽然在检测速度上能满足自动驾驶汽车的需求但在车道线被遮挡、缺失、模糊、光照变化等情况下检测效果欠佳且很多算法往往只能检测出当前车道的车道线不能满足自动驾驶汽车对于多车道的识别需求基于深度学习检测车道线的一般流程为:搭建网络模型进行训练对车道线进行语义分割然后聚类并拟合 相比基于传统图像处理的方法基于深度学习的方法具有更好的鲁棒性在复杂的驾驶工况下检测精度更高但深度学习所需要的计算机硬件性能较高速度方面难以满足智能驾驶汽车的实时性需求 同时由于图像中有较多的干扰项会出现误检和漏检的情况影响自动驾驶汽车行驶的安全性
4、针对上述问题本文基于编码解码模型提出了一种车道线检测算法 编码网络设计根据图像中车道线的特征 本文将 网络进行改进和优化作为车道线检测的编码网络 网络架构 网络于 年由 等人提出主要由若干个残差块组成 常用的 网络按层数可以分为、五种 层数越深网络所提取到的特征越丰富算法的准确率越高但同时运行速度也会越慢 考虑到智能驾驶汽车对实时性的要求很高本文选择在 的基础上进行改进其结构如表 所示表 网络结构 网络首先通过一个 的卷积层和一个 的最大池化层对图像进行 倍下采样然后通过四个残差层()对图片进行 倍下采样每一个残差层均包含了两个残差块()其结构如图 所示图 结构每一个残差块均包含了两个 卷积层
5、当输入特征图和输出特征图的分辨率和维度不同时通过一个 卷积层让输入特征图和输出特征图的分辨率和维度一致 最后将第四残差层()输出的特征图通过全局平均池化层和全连接层完成图像分类的任务 网络架构的改进和优化本文将 最后的全局平均池化层和全连接层去掉对剩下的网络结构进行改进和优化改进后的结构如表 所示表 改进后的 网络结构 改进后的 改进后的 改进后的 改进后的()改进后的()基于编码解码网络的车道线检测算法 李立君 等 将残差块中的 卷积换成深度可分离卷积在基本不改变网络特征提取能力的前提下提高网络的运算速度 深度可分离卷积首先对特征图进行逐通道卷积()然后再进行逐点卷积()相比于普通的卷积深度
6、可分离卷积在性能基本不变的情况下大大减少了卷积核的参数量加快了网络的运行速度使用深度可分离卷积改进网络结构后残差块()的结构如图 所示图 改进后的 结构在第二残差层和第三残差层中添加通道注意力机制()加强网络对重要通道特征的学习可以提高网络提取目标特征的能力进而提高算法检测的准确率将最大池化层和第四残差层中的步长由二改为一网络的下采样倍数便由 变为 在图像中车道线像素的占比少(小于)宽度小(一般不超过 个像素)呈现细长状下采样倍数过多会造成信息丢失减少下采样倍数有利于车道线特征的提取提高检测的精度将第四残差层中的卷积改为膨胀率为()的空洞卷积并在后面增添加一个残差层()运用膨胀率为()的空洞卷
7、积 一方面增加层数提升网络的性能另一方面通过运用空洞卷积扩大了感受野可以让网络学习到更大范围内像素间的相关性有利于区分不同的车道线对网络进行压缩将每层网络的输出通道数缩减一半进一步提高网络的运行速度将图像输入网络的分辨率由 (宽 高)改为 (宽 高)适当增大输入图像的分辨率提高检测的准确率 同时由于不同车道线的区分主要依靠宽度方向上的像素增大其比例利于网络学习车道线的不同特征 解码网络设计和自适应拟合算法解码网络需要对编码网络输出的特征图进行处理经过逐步上采样后恢复至原图像的分辨率进而完成图像语义分割的任务 本文结合 模块和金字塔注意力机制构建了解码网络 模块 模块的结构如图 所示 该模块利用
8、 卷积、个不同膨胀率的 空洞卷积以及全局池化并行处理输入的图像特征并利用 卷积去融合输出的特征图 车道线在图像中呈细长状高度方向上尺度很大但宽度方向上尺度很小 在 模块中全局池化和大膨胀率的空洞卷积由于感受野较大可以帮助网络识别高度方向上的车道线信息并在宽度方向上区分不同的车道线而小膨胀率的空洞卷积和 卷积由于感受野较小可以帮助网络识别宽度方向上的车道线信息图 模块由于本文中输入图像的分辨率为 高度方向上的像素较少感受野太大会造成目标信息的丢失所以将 模块中的膨胀率分别改为()()()修改过后的 模块如图 所示 金字塔注意力机制金字塔注意力机制的原理为:用高层级的基于编码解码网络的车道线检测算
9、法 李立君 等图 修改后的 模块特征图来生成低层级特征图的注意力权重然后将高层级特征和低层级特征融合后逐步进行上采样处理 该算法充分利用了高层级特征图中丰富的语义信息增强了网络对于图像细节的理解提高了深度学习网络分割小尺度物体的准确性本文基于空间注意力机制()和 模块搭建金字塔注意力机制如图 所示从编码网络中的第一、二和五残差层中输出三个层级的特征图分别命名为、经过 模块后生成一个包含不同尺度信息的密集特征图利用 模块生成其自身的注意力权重并与其自身相乘后通过上采样层()输出特征图()然后将特征图 通过空间注意力机制()生成 的空间注意力权重与 相乘后和特征图 进行融合上采样后得到特征图()特
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 编码 解码 网络 车道 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。