0 引言

近年來，自動(dòng)駕駛技術(shù)得到了快速發(fā)展。車道檢測是自動(dòng)駕駛和輔助駕駛中的一項(xiàng)關(guān)鍵技術(shù)，在運(yùn)動(dòng)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(jī)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(shí)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。現(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(shí)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(shí)例分割的方法來檢測車道線，其精度較高且可以同時(shí)檢測多個(gè)車道線，但基于分割的方法要對(duì)圖像中每個(gè)像素進(jìn)行分類，計(jì)算量較大。為了減小計(jì)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(jì)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(jì)算量仍然較大。為了讓網(wǎng)絡(luò)計(jì)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(diǎn)分類變?yōu)榱酥饌€(gè)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(gè)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(huì)計(jì)算特征圖在各個(gè)不同方向上像素間相關(guān)性，計(jì)算復(fù)雜度大，實(shí)時(shí)性差。此外，因?yàn)檐嚨谰€可視為一個(gè)三次多項(xiàng)式構(gòu)成的曲線，所以Tabelini等[10]提出了PloyNet回歸計(jì)算三次多項(xiàng)式的系數(shù)。由于只要回歸出多項(xiàng)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(xiàng)式的常數(shù)量有偏差時(shí)就會(huì)導(dǎo)致整條車道線出現(xiàn)偏移。也有工作利用時(shí)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(shí)域信息，提高檢測精度，但由于Conv-LSTM計(jì)算量太大，因此會(huì)導(dǎo)致實(shí)時(shí)性不夠。

本文詳細(xì)內(nèi)容請(qǐng)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)