科研之友
微信
新浪微博
Facebook
分享链接
摘要
车道线识别技术是利用光学传感器对环境进行感知,为车辆行为的决策和控制提供重要的车道信息,其本质是从图像中提取车道线的轨迹坐标。基于深度学习的车道线识别算法大多采用密集预测型方法提取车道线轨迹,因而在提取过程会重复处理大量的冗余信息。针对这一问题提出一种改进算法,该算法将图像划分为多个小网格,并对各网格进行分类,从而减少提取过程中冗余信息的处理次数。在此基础上,设计深度神经网络用于网格分类,其与常规密集预测型神经网络的区别在于:利用了无参数的亚像素卷积替代转置卷积以避免棋盘格效应;采用1×1卷积替代全连接层分类器,实现在网格分类过程中保留关键空间位置信息,同时降低网络规模。在CULane数据集上分别训练Lane Net与改进算法,并进行对比分析,分析结果表明,改进后的车道线检测算法在准确性与实时性方面均具有明显优势。
- 单位
