摘要
随着经济的飞速发展，人民生活水平不断提高，汽车保有量不断增长，车辆智能化受到了越来越广泛的关注。自动驾驶车辆的发展可以缓解交通拥堵、减少交通事故，具有提高道路资源利用率的重要意义。其中，驾驶环境的感知是自动驾驶车辆进行决策和控制的前提条件，让车辆能够像人类一样可以进行观察和思考也一直都是研究者们持续努力的方向。 随着深度学习的发展与进步，计算机对于图像和视频的处理的能力也随之提高，采用以视觉感知为主的车辆周围环境感知已经成为完全自动驾驶的关键感知手段。本文以识别车辆可行驶区域为研究任务，提出了一种新的编解码架构的语义分割网络，来实现多种驾驶场景下的车辆可行驶区域准确、实时地检测。论文的主要工作如下: (1)可行驶区域检测。论文首先通过分析可行驶区域检测面临的难题，引入语义分割的方式来完成对可行驶区域的识别。其次，选取不同特征提取网络来搭建可行驶区域检测网络模型，通过模型评价指标对比和检测效果验证了跨阶段局部(CSP)特征提取网络结构的有效性。 (2)可行驶区域内车道线检测。为了更好地实现对结构化道路可行驶区域的感知，本文通过语义分割的方式实现对车道线的检测，运用注意力机制对主干网络提取到的特征图进行处理，再对融合后的底层特征图进行上采样以恢复图像大小，对图像中每个像素属于车道线的概率进行预测，实现对车道线像素级别的检测，通过实验对比分析验证了被新增注意力模块的有效性。 (3)多任务网络搭建。为了更好地实现可行驶区域检测效果，将可行驶区域和车道线的检测网络作为不同网络分支，构建了准确性、鲁棒性和实时性更好，且不受道路类型限制的编解码架构多任务网络模型。选取CSP-Darknet作为主干网络，分别设计可行驶区域和车道线检测的分支网络，构建可行驶区域的编解码语义分割网络。经测试验证，该模型可以在不同驾驶场景中实现高精度的实时可行驶区域和车道线检测。
NETL