基于改进卷积神经网络模型的车道线检测方法

文章基于卷积神经网络的车道线检测方法,提出了一种优化的车道检测方案,利用残差网络与简化的Transformer优化神经网络,首先将Transformer模型用作编码器或解码器,学习输入序列之间的关系,提高神经网络的性能,然后在编码器中增加残差层,用以更好地处理边缘与相似信息并提取低分辨率特征,最后设计一个主干架构用于整合优化内容并对优化后的模型进行训练。实验结果表明,优化后的模型在TuSimple验证集中的预测一致性超过了90%,并对多种干扰状况表现出良好的适应性。     

基于卷积神经网络的车道线实例分割算法

车辆行驶环境感知是自动驾驶领域的重点和难点问题,其中车道线检测是车辆行驶环境感知的基础.针对不同实例车道线难以区分、现有区分算法时间复杂度高、不同行驶场景需人为调整超参数等问题,提出了一种三分支车道线实例分割算法,并对分割结果进行自适应聚类以拟合不同实例车道线.针对车载摄像头获取的图像数据不均衡特点,用基于三分视野法的...     

基于深度学习的连续帧车道线检测网络

为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题.本文提出了一种基于连续帧的车道线检测网络,实现了卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory,LS...     

一种基于高效残差分解网络的车道线检测方法

为提升自动驾驶系统车道线检测的速度,提出了一种利用卷积神经网络进行特征提取,结合分类网络实现多车道线虚实线分类的方法。使用高效残差分解网络(efficient residual factorized ConvNet, ERFNet)对图像进行卷积操作和下采样,采用无瓶颈一维卷积残差结构,利用纵、横两个方向一维卷积穿插提升非线性函数的泛化性能,依据可变填充比获得多尺度上下文信息完成图像特征提取。基于反卷积与上采样结果进行特征解码,恢复原图像尺度并输出分割后的图像。相较于传统语义分割算法,本方法可减少大量特征参数,增强模型的学习能力,在提升检测速度的同时保证检测精度。在直行、转弯、上坡、下坡,道路颠簸,光照不均匀等工况下的仿真测试实验表明,本文方法检测精度可达到95.14%,检测速度较主流算法有较好提升。     

基于深度可分离卷积和残差注意力模块的车道线检测方法

针对全天候条件下道路车道线视觉检测技术存在的算法结构复杂、参数数量较多等问题,提出一种基于深度可分离卷积和残差注意力模块的车道线检测方法,建立了LPINet网络模型。利用深度可分离卷积减小输入图像尺寸,设计三种不同结构的瓶颈残差单元降低网络参数数量,引入ECANet注意力机制增加重要特征通道权重,提升车道线检测精度。在Tusimple数据集和GZUCDS自建数据集上的实验结果表明：在晴天场景下,LPINet网络车道线检测精度可达96.62%,且模型参数量降至1.64 MB,实现了轻量化设计;在雾天、雨天、夜晚和隧道复杂场景中进行了探索性研究,车道线检测精度达到93.86%,证明了方法的有效性。     

基于Hessian矩阵的车道线检测方法

车道线是司机进行安全驾驶的重要依据.提高车道线检测的准确性以及实时性,能够保证司机在驾驶过程中的行驶安全,从而减少道路上交通事故的发生概率.为此,提出一种基于Hessian矩阵的车道线检测方法,首先对原彩色车道线图片进行灰度化处理,之后采用中值滤波对灰度图像进行消噪处理,最后通过Hessian矩阵的特征值所构造的滤波器...     

基于深度学习的车道线激光精准检测方法研究

车道线检测是智能辅助驾驶的核心问题,研究基于深度学习的车道线激光精准检测方法,提高车道线检测精度。将激光雷达安装在待检车辆上,用来扫描物体返回脉冲,通过激光雷达的回波脉冲宽度提取车道线与路面区分度的特征,结合深度学习方法,构建新型多尺度全卷积神经网络的车道线检测模型,融合特征图对车道线分割,实现车道线精准检测。实验结果表明,在多场景条件下,本方法的漏检率、误检率均低于传统方法,平均检测合格率96%,交互比也远远高于传统方法,平均耗时低至51 ms,且变化态势平稳,说明本方法在不同场景中车道线图像分割处理效果较好,车道线的检测效率较高,车道线检测的精度较高。     

基于区域卷积神经网络的目标检测方法

本文针对煤矿环境中出现的目标检测精度低等问题,提出了一种基于区域卷积网络的矿井目标检测方法。实验表明,本文方法针对于煤矿环境中的目标检测具有较高准确率。