论文部分内容阅读
随着无人驾驶技术的发展,提高其安全性成为实际应用的关键所在。其中,车道线检测是无人驾驶技术中的重要基础。本文以结构化道路场景中的车道线为主要研究对象,结合道路分割任务,开展了如下研究。首先,研究了道路分割算法。改进了DeepLabv3+网络结构,优选了VGG为特征提取基础网络,去掉了全连接层,并在pool5层后添加了ASPP结构,以提取特征图中的多尺度信息,添加了跳跃连接结构,将底层信息与高层信息进行融合。在KITTI数据集上的测试结果表明,改进算法平均精确率达到了92.37%,单张图像分割时间为83.39ms。然后,研究了车道线检测算法。改进了SCNN网络结构,捕获车道线空间信息,用后处理方式替代原网络中对各车道线分类的子网络,简化了网络模型。另外,采用了加权最小二乘法,对改进SCNN网络输出的车道线候选点进行车道线拟合。在CULane数据集上的测试结果表明,改进算法精确率与召回率的综合指标F1达到了71.3%,比SCNN网络提高了0.9%。接着,研究了融合结构化道路分割的车道线多任务学习检测算法。采用了参数硬共享机制的多任务学习网络结构,改进DeepLab网络为道路分割子网络;采用ASPP结构替代改进SCNN网络中的带孔卷积层,作为车道线检测子网络;提出了从分割子网络到检测子网络的连接编码结构,两子网络共享特征提取网络。基于CULane数据集制作了多任务标注数据集,测试结果表明,本文改进算法将道路分割子网络的平均精确率提高了约1%,将车道线检测子网络的F1指标提高了0.4%。最后,研究了道路与车道线跟踪算法。提出了融合Camshift算法颜色特征和Kalman算法运动状态跟踪优势的改进算法,采用了车道线与道路相对位置变化指标,判断跟踪是否成功。在实际采集视频上的跟踪测试结果表明,本文改进算法对道路和车道线跟踪的精确率分别达到了92.6%与89.0%,平均速度可达47.5FPS。综上,本文从无人驾驶中的车道线检测与跟踪任务出发,融合结构化道路分割,提出了基于多任务的深度学习解决方案,并结合改进跟踪算法,在数据集上进行了测试,改进车道线检测与跟踪算法具有较好的准确性和实时性。