《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計應(yīng)用 > 基于方向一致?lián)p失的輕量車道線檢測
基于方向一致?lián)p失的輕量車道線檢測
信息技術(shù)與網(wǎng)絡(luò)安全 6期
陸智臣，吳麗君，陳志聰，林培杰，程樹英
(福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108)
摘要： 目前，輕量型車道線檢測網(wǎng)絡(luò)存在彎道檢測效果差、網(wǎng)絡(luò)感受野不夠與實時性受限等問題，故提出了一種改進(jìn)的輕量型車道線檢測網(wǎng)絡(luò)模型。首先，為提高彎道檢測效果，設(shè)計了一種方向一致?lián)p失，以使模型適用于彎道場景。其次，為在增強網(wǎng)絡(luò)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(wǎng)絡(luò)作為模型的主干網(wǎng)絡(luò)。該模型在CULane測試集上測試的總F1-measure達(dá)到了70.7%，在Tusimple測試集上測試的準(zhǔn)確率達(dá)到95.92%，其平均推斷速度達(dá)到了408 FPS。實驗結(jié)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(xiàn)標(biāo)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?lián)p失的輕量車道線檢測[J].信息技術(shù)與網(wǎng)絡(luò)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，F(xiàn)uzhou University，F(xiàn)uzhou 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(shù)得到了快速發(fā)展。車道檢測是自動駕駛和輔助駕駛中的一項關(guān)鍵技術(shù)，在運動規(guī)劃中起著重要的作用。傳統(tǒng)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(xiàn)[4]還進(jìn)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(qū)域。該方法在輕微遮擋時可以有效提升檢測精度，但在嚴(yán)重遮擋的情況下檢測效果仍然較差。

深度學(xué)習(xí)發(fā)展迅速，在車道檢測領(lǐng)域中得到廣泛應(yīng)用?，F(xiàn)有基于深度學(xué)習(xí)的車道線檢測根據(jù)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(wù)，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(jìn)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(wǎng)絡(luò)參數(shù)量，通過計算高層特征的注意力特征圖來反饋給淺層網(wǎng)絡(luò)，以提高淺層網(wǎng)絡(luò)的特征提取能力，可達(dá)到較深網(wǎng)絡(luò)的精度，但本質(zhì)上還是一種基于分割的方法，計算量仍然較大。為了讓網(wǎng)絡(luò)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(wù)的逐像素點分類變?yōu)榱酥饌€anchor分類，推理速度相比于分割的方法快。但在主干網(wǎng)絡(luò)使用的ResNet-18中有特征堆疊，導(dǎo)致網(wǎng)絡(luò)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(jié)構(gòu)特性，為了利用上下文信息，Pan等[9]提出了SCNN的網(wǎng)絡(luò)結(jié)構(gòu)，通過從多個方向提取特征圖像素之間的相關(guān)性，增加主干網(wǎng)絡(luò)的感受野，提升車道線的分割效果。但SCNN結(jié)構(gòu)會計算特征圖在各個不同方向上像素間相關(guān)性，計算復(fù)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(gòu)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(shù)。由于只要回歸出多項式的系數(shù)，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(shù)量有偏差時就會導(dǎo)致整條車道線出現(xiàn)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(wǎng)絡(luò)之后加入Conv-LSTM，通過提取主干網(wǎng)絡(luò)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(dǎo)致實時性不夠。




本文詳細(xì)內(nèi)容請下載：http://ihrv.cn/resource/share/2000004536




作者信息：

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108)




微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。