基于CNN和Transformer混合网络模型的车道线检测

车道线检测技术在自动驾驶系统中发挥着重要作用,目前基于深度学习的车道线检测方法通常在主干网络提取特征之后分别获取车道线关键点的置信度以及这些点相对车道线起始点的偏移。但由于车道线是细长结构,现有的主干网络无法有效提取这种结构特征,偏移网络也难以回归车道线上关键点相对起始点的偏移。鉴于注意力机制在提取空间结构特征、表征长距离图像序列间依赖关系方面的优越性能,在基于点的车道线检测方法的基础上提出了一种基于卷积神经网络(convolutional neural network,CNN)和Transformer的混合网络(CNN-Transformer hybrid network,CTNet)模型,该模型通过特征金字塔和增强的坐标注意力机制提高特征的表征能力,使用基于视觉Transformer的偏移网络回归关键点的偏移量,因此,CTNet能够提取细长车道线特征、捕获长距离点间的偏移,有效提升车道线检测的精度。实验对比了CTNet和6种常用车道线检测算法在数据集TuSimple和CULane上的效果,在TuSimple上CTNet各项精度指标均优于现有方法,在CULane数据集的9种不同车道场景中,CTNet在6个场景中取得了最佳精度。

基于Transformer的车道线分割算法研究

车道线检测任务包含道路磨损、阴影遮挡和弯道等困难样本,这些样本中线条信息均有不同程度的缺失,使检测结果出现漏检或误检现象。基于深度学习的检测方案通过卷积操作提取特征信息。卷积操作摒弃人工设计滤波器等一系列传统图像处理的繁琐操作,得益于权重共享和归纳偏置大大减少了特征提取的工作量。该操作在缩小图像分辨率的同时获取长距离的信息,导致小分辨率的特征图损失区域边缘等细节,影响检测结果的质量。深度学习中分割模型比检测模型处理的信息更细致,本文在分割模型的基础上引入Transformer改进采样方式,改善卷积操作在获取全局信息上的不足。模型改进后在Tusimple上测试准确率提高0.4%,像素精准度提高0.3,乘法累加运算量增加36.09 G。结果表明Transformer特有的采样方式可以改善卷积操作采样的不足,改善语义分割网络对车道线困难样本识别漏检的情况。

An Iterative Method for Solving Two Special Cases of Lane-Emden Type Equation

In this work we apply the differential transformation method or DTM for solving some classes of Lane-Emden type equations as a model for the dimensionless density distribution in an isothermal gas sphere and as a study of the gravitational potential of (white-dwarf) stars , which are nonlinear ordinary differential equations on the semi-infinite domain [1] [2]. The efficiency of the DTM is illustrated by investigating the convergence results for this type of the Lane-Emden equations. The numerical results show the reliability and accuracy of this method.

LANE MARKING DETECTION IN CLUTTERED ENVIRONMENT

Objective To determine the positions of marking in the presence of distracting shadows, highlight, pavement cracks, etc. Methods RGB color space is transformed into I 1 I 2 I 3 color space and I 2 component was used to form a new image with less effect of the clutter. Using an improved edge detection operator, an edge strength map was produced, and binarilized by adaptive thresholds. The binary image was labeled and circularity of all connected components is calculated. The Self Organizing Mapping is adopted to extract regions which imply potential marking. Finally the position of marking was obtained by curve fitting. Results Color information was utilized fully, all thresholds were set adaptively and lane marking could be detected in challenging images with shadows, highlight or other cars. Conclusion The method based on circularity of connected components shows its outstanding robustness to lane marking detection and has a wide variety of applications in the areas of vehicle autonomous navigation and driver assistance system.

基于逆透视变换的车道线激光精准检测方法

车道线检测作为智能汽车安全驾驶的主要研究方向,能够在汽车偏离车道时及时发出预警,有效缓解交通拥挤、安全问题,但常规方法易受光照强度、阴影等环境因素影响,限制其使用范围,且检测误差较大。为此,提出基于逆透视变换的车道线激光精准检测方法。该方法选用RS-LiDAR-16激光雷达作为车道数据采集装置,借助逆透视变换、顶视图空间坐标系转换各激光点数据,利用最大类间与最小类间方差算法找出激光点反射强度最佳阈值,作为车道表面及车道线数据判断依据,通过二值化算得出车道线各点数据,凭借最小二乘拟合法将这些数据拟合成线,最终检测出车道线。实验结果表明,所提方法车道线检测精准度高,逆透视变换降低了环境对检测结果的干扰。

LSTR算法的改进及在车道线检测中的应用

基于Transformer的车道预测LSTR(Lane Shape Prediction with Transformers)算法在检测车道线时存在缺少捕捉局部特征的能力和多头注意力机制中头数多余的问题.本文提出了改进LSTR算法的车道线检测方法,首先在最后一个编码器中前馈网络的后面引入CBAM(Convolutional Block Attention Module)注意力机制模块,充分利用通道和空间上的信息,捕捉特征图中更多的细节;然后对解码器中的掩码多头注意力机制进行剪枝,使用掩码单头注意力机制来进行替换,以便更多关注前一时刻的车道线信息.改进后的LSTR算法在TuSimple数据集上准确度为96.31%,明显高于PolyLaneNet(Lane Estimation via Deep Polynomial Regression)等算法,在CULane数据集上比原始算法的F1评分上升了2.11%.

基于LSTR和Vit-CoMer骨干的车道线检测方法

针对LSTR算法在实际应用中存在的提取特征尺度单一及缺乏对车道局部特征有效捕捉的问题。本文首次将Vit-CoMer骨干网络用于车道线检测任务中,提出LSCoMer车道线检测模型。首先,在特征提取网络后使用MRFP丰富多尺度特征,提高检测精度;其次,在Transformer结构的开始和结束位置集成CTI模块,以促进CNN的局部特征与Transformer的全局特征之间有效融合,强化后者在局部细节上的敏感性。实验结果表明,本文方法在TuSimple数据集上准确率为96.68%,较原LSTR方法提升0.5%且显著优于PolyLaneNet等同类方法,在CULane数据集中,本文方法F 1分数比LSTR方法提升3.02%。

基于消失点引导透视变换的车道线检测算法

目的为解决车道线的位置会随着车辆或相机的偏移发生变化而导致车道线检测准确率低和适应性差的问题,提出了一种基于消失点引导透视变换的车道线检测算法。方法首先,采用自适应消失点坐标引导更新透视变换矩阵,将车道图像转换为车道线保存完整的鸟瞰图;其次,将其颜色特征和边缘特征进行融合,得到精准的二值化图像;最后,根据直方图分析定位车道线的基点,采用滑动窗口搜索的方法提取候选的车道线像素,然后对搜索到的车道线像素进行多项式拟合。在不同的道路场景下测试算法的性能,并与其它同类算法进行对比分析。结果仿真结果表明,算法的准确率为94.12%,平均每帧耗时85.35ms,在检测精度和速度方面优于对比的算法。结论该算法能有效解决车道线位置的改变对车道线检测性能的影响,具有更高的准确率和较好的适应性,在阴影遮挡、车道破损、恶劣天气等复杂道路环境的检测下,表现出良好的鲁棒性。

巷弄“毛细血管”作为旧区风貌载体——上海老城厢更新改造的教学探索

以上海老城厢为对象,通过设计实验探讨街区内部的巷弄体系——毛细血管——在旧城改造中对于风貌保护与传承的价值与潜力。选取不同时空语境下的2轮毕业设计成果,从形态学、类型学视角分析6个设计案例中对待内部巷弄体系的立场与设计策略,论证和总结不同策略对城市空间的影响,阐明保护巷弄的类型学特质是以毛细血管为线索的城市设计策略的关键。实验显示:保持巷弄的结构、形态、层级和空间尺度至关重要,在此基础上建筑的类型可以多样;建筑与巷弄达成紧密的空间关系是设计操作的核心。

适用于右转辅助的非机动车道检测

为避免传统车辆或无人驾驶车辆在右转时与快速行驶的自行车发生碰撞的风险,需要在转弯前稳定地检测出非机动车道,并实时定位骑车者.为实现该目标,通过调整初始代价及代价聚合,完成更为精确的非机动车道图像立体匹配;基于改进的Hough变换算法,对路面上的非机动车道线进行识别和提取;之后结合立体视觉来获取非机动车道的精确三维坐标.实验结果表明:所提方法可以在大部分场景下检测出不同类型的非机动车道,且具有较高的精确度,适用于广义非机动车道检测,对于先进驾驶辅助系统或无人驾驶车辆实现全道路场景识别起到了积极的辅助作用.

车联网环境与传统环境下智能车辆换道博弈模型

为解决智能车辆在传统环境及联网环境中换道行为的决策问题,文章基于博弈论建立智能车辆的换道行为模型,并使用双层规划算法对该模型进行分析。使用HighD数据库和驾驶模拟器采集的数据对模型进行了仿真分析。结果表明,该模型可以预测在联网环境和传统环境下车辆换道行为中各参与者的最优策略,模型的预测结果可以为智能车辆的换道策略选择提供指导,为智能交通系统的设计和实施提供重要参考,有助于提高交通效率和驾驶安全性。

基于改进Hough变换的车道线自动识别算法

针对复杂路况环境中路面图像杂乱或因光照不均导致的车道线不易检测等问题,提出一种基于改进Hough变换的车道线检测算法。首先对采集到的原始图像预处理,利用Canny算子对图像进行边缘增强及区域提取;其次为进一步提高算法的检测时间及准确性,提出利用滑动窗口实现阈值的自适应选取;最后结合渐进概率提出了复杂路况下的车道线检测算法。仿真实验选取KITTI数据集,结果表明,所提算法能够准确提取路面车道线,克服了复杂背景、光照不均带来的影响,与同类算法相比,文中所提的渐进概率Hough变换算法检测时间短、准确率高,具有一定的实用性和优越性。

基于霍夫变换与最小二乘法的车道线检测方法

基于传统图像处理方法,利用图像预处理、ROI分割、霍夫变换和最小二乘法等技术进行车道线检测。对图像进行预处理,图像预处理包括对图像二值化;然后通过高斯滤波对图像进行边缘检测。为提高执行效率和和提高准确性,使用15°俯视角度下显现的ROI区域进行检测,并利用霍夫变换检测车道线。通过设置阈值和参数调整,得到车道线的峰值点,并使用最小二乘法拟合直线。在图像中绘制检测结果,包括车道线和霍夫变换峰值点。使用该方法,对高速道路、城市道路、省道等3种路线上的5个实验组进行实验,其中高速道路和省道的准确率分别为95%、98%,城市道路的准确率为75%。结果表明:所提方法在特定环境下能够较为有效地检测车道线,具有较好的鲁棒性和准确性。

基于双特征提取网络的车道线识别方法

为了提高复杂环境下网络的特征提取能力,提出一种双特征提取网络的车道线识别方法。首先搭建双特征提取网络,减少细节语义信息的丢失,强化模型面对复杂环境的识别能力。然后使用改进的空洞空间金字塔池化结构增大感受野,提取更为丰富的上下文信息,并结合深度可分离卷积,降低模型的计算量。最后构造通道注意力模块,重点关注有效信息较多的特征通道。经实验验证,所提方法在Tusimple数据集上准确率可达97.7%,mIoU为76.2%,单图识别时间为26.24 ms,在复杂环境下进行车道线识别时,鲁棒性较好。

广州市既有道路非机动车道改造提升设计研究

近年来,随着城市交通拥堵问题的逐渐扩大和绿色交通出行理念的日益普及,慢行交通尤其是自行车交通开始回归。如何让自行车重新拿回通行路权,成为自行车复兴过程中不可回避的重要问题。文章介绍了广州市非机动车道发展建设历程,指出目前存在连续性差、精细化程度低、路权保障不足等问题,提出非机动车道改造提升应遵循的设计原则和空间、型式等要求。基于路权分配理论,以人本化、精细化为目标,分别对既有道路路段、交叉口和公交站提出具体的改造提升设计指引,通过道路空间再分配指导非机动车道改造实践。

一种基于直线模型的车道线识别算法研究

为了更好地满足车道标志线识别算法的实时性和鲁棒性要求,提出了一种新的、有效的车道标志线识别算法。将图像灰度化后,采用中值滤波去除图像采集过程中引入的噪声,应用方向可调滤波器进行边缘提取,在提取过程中对原图像进行感兴趣区域划分并采用边缘分布函数法确定方向可调滤波器的初始方向角。提出使用基于梯度加权的霍夫变换对车道标志线进行识别,通过建立梯形感兴趣区域的方法实现对车道标志线的实时跟踪,并对多段实地采集的视频进行实验测试。结果表明:基于方向可调滤波器与梯度加权的霍夫变换相结合的车道标志线识别方法,简化了对车道标志线信息特征参量的估计;不仅大大缩减了算法的执行时间,而且使算法的鲁棒性得到很大的提高。

一种基于逆投影变换的智能车道路识别方法

针对智能车辆实验环境,提出了一种基于单目视觉的智能车辆道路识别方法。该方法对智能车辆在行驶过程中采集的图像进行逆投影变换,消除透视投影对道路识别的影响,并且可以根据视觉导航的需要选择部分兴趣区域进行投影变换。再对道路俯视图进行中值滤波、边缘检测,有效地提取出了道路的边缘图像。该方法还提出了简易的道路模型,提高了视觉导航的实时性。

基于感兴趣区域模型的车道线快速检测算法

为满足智能车载视频取证设备对车辆违章行为取证时检测车道线准确性和时效性的要求,提出一种基于感兴趣区域模型的结构化道路车道线的快速检测算法。该算法首先基于结构化道路具有车道线与路面对比度高的特点,采用Soberx边缘检测算子检测车道的边缘信息,然后在感兴趣区域模型基础上,采用改进的Hough变换检测出可能的车道线。为准确提取车道线完成车道的准确检测,该算法基于透视图像消失点原理,采用逆透视变换消除伪车道线完成车道准确定位。实验表明,该算法定位精度高、快速快、鲁棒性好,能够满足高速公路智能车载视频设备取证的性能要求。

基于概率霍夫变换的快速车道线检测方法

提出了根据高斯分布模型的自适应阈值分割方法,使用了基于形态学变换的二值图优化算法得到车道线边缘图.改进了概率霍夫变换,使其更能满足实际情况,从而换检测出车道线.实验表明了该方法可以有效检测出车道线,并且速度上得到了极大的提高.

基于Canny算子和Hough变换的夜间车道线检测

针对夜间只有车灯照射路面图像整体较暗、光照不均匀、车道线不易检测的问题,提出了一种夜间车道线识别方法。首先,对预处理后的图像采用Laplacian算子进行边缘增强;然后,结合Otsu算法进行Canny边缘检测,再在边缘图像底部1/3区域中利用Hough变换进行直线拟合;最后,在斜率约束的基础上提出了一种内侧车道线提取算法,实现了车辆所在车道内侧车道线的检测。针对多种夜间车道线图像进行实验,结果表明,该算法准确提取出了内侧车道线。提出的方法能克服图像较暗和光照不均的影响,排除旁侧车道线、护栏等的干扰,有助于夜间车辆各行其道。