科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了改善现有斑马线检测精度低、检测不全面及实时性差等多重问题，提出了一种改进的SegNet语义分割模型进行斑马线检测，使其更适应于辅助驾驶系统中的预警场景，为无人驾驶车辆提供帮助。以语义分割中的原始SegNet模型为基础，首先将SegNet模型的特征提取网络部分进行改进，融入金字塔池化模块，进行多方面特征提取，获取上下文全局信息，达到减少斑马线细节信息丢失的目的；然后将模型对称的结构改为编码不变、解码减少的不对称结构，减少网络参数，增设细节处理，精准检测斑马线像素点位置，有效地提高了检测准确率和实时性。对获取到的斑马线图像进行亮度增强、添加噪声、图像翻转等随机转换方式来扩充采集的斑马线图像样本，使斑马线图像样本满足各种语义分割模型检测需求。在扩充后的斑马线数据集上进行试验，以精确率，召回率，F1值为检测精度评价标准，以运行时间为实时性评价标准，将改进SegNet模型分别与原始SegNet模型，U-Net模型，PSPNet模型进行对比。改进SegNet模型检测斑马线精度达到了97.6%,与其他模型相比检测精度得到有效提高，且运行速度加快，满足当前实时性检测的需求。因此改进SegNet模型检测斑马线更全面，可应用于辅助驾驶系统中。
