基于改进行方向的车道线检测

近年来车道线检测逐步向深度学习领域发展,然而基于分割的形状描述对车道线效率低下,同时如YOLO系列检测算法不适用于车道线这种细长、弯曲的物体。针对上述问题,提出一种基于改进行方向的车道线检测方法。选取ResNet作为主干网络,加入了特征金字塔网络(Feature Pyramid Network,FPN)用于提取多尺度特征,并使用特征传递架(Feature Transfer Architecture,FTA)模块进行上下文信息的融合。对于车道线实例区分,将实例检测应用于车道线,通过预测热图来检测车道线实例起始点,并回归相对应的一组卷积参数。对于车道线形状预测,采用行分类方法并进行改进。使用逐行位置选择公式来确定车道线的点集,使用车道线在特征图上与真实位置的偏移量来细化每条车道线的形状,降低了FP值,实现了对车道线的预测。在实验平台上使用Tusimple、CuLane两大基准数据集进行验证,取得了良好的指标与检测效果。

基于多层感知器的端到端车道线检测算法

针对复杂环境中车道线检测效率低的问题,提出了一种基于多层感知器(MLP)的车道线检测算法(LaneMLP).整个算法主要由全局感知器和局部感知器组成,首先通过逐行分类模型对道路环境图像栅格化,将车道线检测转换为逐行分类任务;分类过程中使用MLP模块作为全局感知器提取车道线的全局语义信息和车道间的结构信息,使用组卷积模块作为局部感知器提取车道线的色彩和位置信息;最后对模型进行结构重参数化设计,以实现训练与推理解耦,在训练与推理过程中使用不同的模块组合,达到提高推理准确率和速度兼顾的目的.在CULane数据集上进行了验证,实验结果表明:在推理速度超过每秒350帧的情况下,准确率达到了76.8%,和SCNN算法相比,准确率提高了5.2%,推理速度也提高了5倍.