《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 基于方向一致損失的輕量車道線檢測
基于方向一致損失的輕量車道線檢測
信息技術與網絡安全 6期
陸智臣,吳麗君,陳志聰,林培杰,程樹英
(福州大學 物理與信息工程學院,福建 福州350108)
摘要: 目前,輕量型車道線檢測網絡存在彎道檢測效果差、網絡感受野不夠與實時性受限等問題,故提出了一種改進的輕量型車道線檢測網絡模型。首先,為提高彎道檢測效果,設計了一種方向一致損失,以使模型適用于彎道場景。其次,為在增強網絡實時性的同時提高其感受野,提出將自注意力機制與RepVGG相融合的網絡作為模型的主干網絡。該模型在CULane測試集上測試的總F1-measure達到了70.7%,在Tusimple測試集上測試的準確率達到95.92%,其平均推斷速度達到了408 FPS。實驗結果表明,該模型相較于目前輕量型模型在性能上有一定的提升,尤其對彎道場景下的車道線檢測效果提升明顯。
中圖分類號: U495;TP391.41
文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2022.06.010
引用格式: 陸智臣,吳麗君,陳志聰,等. 基于方向一致損失的輕量車道線檢測[J].信息技術與網絡安全,2022,41(6):57-63,72.
Lightweight lane line detection based on directional consistency loss
Lu Zhichen,Wu Lijun,Chen Zhicong,Lin Peijie,Cheng Shuying
(School of Physics and Information Engineering,Fuzhou University,Fuzhou 350108,China)
Abstract: At present, the lightweight lane line detection network has problems such as poor curve detection effect, insufficient network receptive field and limited real-time performance.Therefore, this paper proposes an improved lightweight lane detection network model. Firstly, to improve the curve detection effect, a direction consistency loss is designed to make the model suitable for the curve scene.Secondly, in order to improve the real-time performance of the network while improving the receptive field, a fusion network of self-attention mechanism and RepVGG is proposed as the backbone network of the model. The total F1-measure of the model tested on the CULane test set reached 70.7%, the accuracy of the test on the Tusimple test set reached 95.92%, and its average inference speed reached 408 FPS. The experimental results show that the model has a certain improvement in performance compared with the current lightweight model, especially the lane line detection effect in the curve scene is significantly improved.
Key words : deep learning;lane detection;directional consistency loss;lightweight network

0 引言

近年來,自動駕駛技術得到了快速發展。車道檢測是自動駕駛和輔助駕駛中的一項關鍵技術,在運動規劃中起著重要的作用。傳統的車道檢測方法,如霍夫變換 Li[1]、齊美彬等[2],在較為理想的場景下可以檢測出車道線,但容易受到其他物體的干擾。為了提高在有遮擋、不清晰場景下的檢測精度,Son等[3]使用卡爾曼濾波器的跟蹤算法做車道檢測中,文獻[4]還進一步使用了隨機樣本一致性算法來消除一些非車道特征區域。該方法在輕微遮擋時可以有效提升檢測精度,但在嚴重遮擋的情況下檢測效果仍然較差。

深度學習發展迅速,在車道檢測領域中得到廣泛應用。現有基于深度學習的車道線檢測根據其檢測思路不同,可分為基于分割、分類、回歸以及利用時域信息的車道線檢測方法。其中,Neven[5]、Chen[6]將車道先檢測作為一種分割任務,提出使用實例分割的方法來檢測車道線,其精度較高且可以同時檢測多個車道線,但基于分割的方法要對圖像中每個像素進行分類,計算量較大。為了減小計算量,Hou等[7]提出了自我蒸餾的方法減小網絡參數量,通過計算高層特征的注意力特征圖來反饋給淺層網絡,以提高淺層網絡的特征提取能力,可達到較深網絡的精度,但本質上還是一種基于分割的方法,計算量仍然較大。為了讓網絡計算速度更快,Qin等[8]提出基于逐行分類的方法做車道線檢測,將分割任務的逐像素點分類變為了逐個anchor分類,推理速度相比于分割的方法快。但在主干網絡使用的ResNet-18中有特征堆疊,導致網絡推斷速度仍然受限。不同于其他物體,車道線具有縱向跨度大的結構特性,為了利用上下文信息,Pan等[9]提出了SCNN的網絡結構,通過從多個方向提取特征圖像素之間的相關性,增加主干網絡的感受野,提升車道線的分割效果。但SCNN結構會計算特征圖在各個不同方向上像素間相關性,計算復雜度大,實時性差。此外,因為車道線可視為一個三次多項式構成的曲線,所以Tabelini等[10]提出了PloyNet回歸計算三次多項式的系數。由于只要回歸出多項式的系數,因此該方法檢測速度比分割的方法速度快,但如果多項式的常數量有偏差時就會導致整條車道線出現偏移。也有工作利用時域信息去檢測車道線,Ko等[11]提出可在主干網絡之后加入Conv-LSTM,通過提取主干網絡輸出特征圖的時域信息,提高檢測精度,但由于Conv-LSTM計算量太大,因此會導致實時性不夠。




本文詳細內容請下載http://www.jysgc.com/resource/share/2000004536




作者信息:

(福州大學 物理與信息工程學院,福建 福州350108)




微信圖片_20210517164139.jpg

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 国产精品四虎在线观看免费| 成人免费视频一区二区| 亚洲欧美色一区二区三区| 精品亚洲成a人在线观看| 国产亚洲色婷婷久久99精品| japonensisjava野外vt| 国产麻豆精品一区二区三区V视界| yy6080一级毛片高清| 成年女人毛片免费视频| 久久人人爽人人爽人人av东京热| 果冻传媒app下载网站| 亚洲日本va在线观看| 波多野结衣中文在线播放| 免费午夜爽爽爽WWW视频十八禁 | 成人免费视频小说| 久久久久久国产精品mv| 日韩在线免费视频| 九九综合VA免费看| 极品少妇伦理一区二区| 亚洲国产日韩欧美一区二区三区 | 亚洲视频欧洲视频| 福利视频免费看| 午夜免费理论片a级| 老司机在线精品| 国产99视频精品草莓免视看| 蜜臀色欲AV在线播放国产日韩 | 日本人与动zozo| 国产福利在线观看一区二区| 18禁网站免费无遮挡无码中文| 国产超碰人人模人人爽人人喊 | 亚洲日韩欧美一区二区三区在线| 波多野结衣痴女系列88| 亚洲黄色三级视频| 特级做a爰片毛片免费看| 任你操在线观看| 男人女人做a视频| 免费做暖1000视频日本| 男女很舒服爽视频免费| 伊人色综合一区二区三区| 男人天堂视频网站| 亚洲黄色网址在线观看|