基于深度学习的连续帧车道线检测网络
2021-12-17孔健李烨尹婷
智能计算机与应用 2021年6期
孔健,李烨,尹婷
(上海理工大学 光电信息与计算机工程学院,上海 200093)
0 引言
传统的车道线检测方法依赖于手工特征提取来检测车道线。手工特征一般是基于颜色、边缘等,这些特征可与霍夫变换或卡尔曼滤波器结合在一起预测车道线。这些方法很简单,实时性好,对平台的要求也比较低。但是,其性能取决于测试环境,例如照明条件和是否遮挡,面对复杂路况时检测鲁棒性很差,甚至检测不出车道线,对于安全行驶决策是致命的。
近期车道线检测采用深度学习网络来提取特征,在复杂的场景中具有出色的性能,其中卷积神经网络(Convolutional Neural Network,CNN)方法在计算机视觉领域的表现尤为突出。车道线检测通常基于语义检测任务,对图像每一个像素分配一个二进制标签,以指示其是否属于车道线。尽管这些方法取得了出色的性能,但由于其采用多分类方法来区分每个车道,因此只能应用于固定车道数量的场景。SCNN 网络按照一定方向(上、下、左、右),按照顺序进行卷积,适用于车道线这种持续延伸的目标[1];LaneNet 将问题归结为实例分割,使用用于特征提取的共享编码器和2 个解码器,其中一个解码器执行二进制车道线分割,另一个解码器进行实例分割,使得该网络可以检测任意数量的车道线[2];PointLaneNet 结合关键点检测与点云实例分割进行车道线检测,也可适用于检测任意场景和任意数量的车道线[3]。
由于驾驶场景是连续的,在相邻帧之间存在大量重叠画面,因此相邻帧中车道线的位置具有高度的相关性。……
登录APP查看全文
