为改善车道线分割存在的计算量大、融合效果不明显以及遮挡、丢失、误识别等问题,设计了一种轻量化的基于语义分割的编解码卷积神经网络结构,在网络中引入通道注意力机制与行、列注意力机制.采用轻量化的训练网络ResNet-18 对输入图片进行快速下采样,用来产生多阶段特征图;将通道注意力机制用于高阶特征图以提取高阶语义信息;将行、列注意力机制用于低阶特征图以提取车道线的空间信息,采用特征融合机制FFM将高阶特征图上采样后与低阶特征图融合,以提高车道线分割精度.取代传统聚类方法,构建了3 层全连接网络,对分割出的像素进行类别预测,实现了背景及车道线的分类,使整个网络得到了端到端的训练与输出.将轻量化的编解码网络模型在Tusimple数据集上完成了车道线检测的训练与测试,并与以往研究模型进行了对比.结果表明,在车道线存在遮挡、模糊、阴影干扰及曝光等场景下,所设计的深度卷积网络仍可以准确且快速地识别出车道线,与现有车道线检测模型相比,在分割精度和检测速度上均有所提高,能够满足自动驾驶实时性检测的需求.
国家科技期刊平台
NSTL
万方数据
