科研之友
微信
新浪微博
Facebook
分享链接
摘要
车道线检测是汽车安全辅助驾驶系统的基础模块，在城市道路场景下车道线存在受碾压致特征缺失、车辆间相互遮挡以及光照环境复杂多变等问题，本文提出基于网格分类与纵横向注意力的车道线检测方法。提取道路图像的全局特征图，将其划分为若干网格，计算网格中车道线的存在概率；通过将车道线检测转化为网格位置的分类，定位每条车道线的特征点；构建基于Ghost模块的主干网络，结合车道线的形状特征，引入纵横向注意力机制，通过增强车道线纹理特征和融合位置信息，获取缺失的细节特征；利用三次多项式，拟合车道线特征点，修正车道线的检测结果。基于TuSimple与CULane数据集，在ResNet18、ResNet34和DarkNet53中嵌入纵横向注意力模块，并开展对比实验。结果表明：在TuSimple数据集上，嵌入纵横向注意力模块后，模型精度均提升了约0.1%，与其他模型相比，Ghost-VHA模型的准确率为95.96%。在CULane数据集上，嵌入纵横向注意力模块可提升精度约0.65%，与其他模型相比，Ghost-VHA的F1分数为72.84%，提升了0.54%。在TuSimple与CULane数据集上，Ghost-VHA处理尺寸为288 px×800 px的图像仅需4.5 ms，具有良好的准确率和实时性。在CULane数据集上，网格列数量为300时效果最好，在TuSimple数据集上，网格列数量为50时效果最好。
- 单位
