论文部分内容阅读
车道线检测与各类道路交通标线识别作为智能驾驶领域的关键问题，在智能交通系统、先进驾驶辅助系统以及车道偏离预警系统中得到广泛应用。在汽车保有量日益增加、交通安全事故居高不下以及道路交通环境逐渐复杂化的现实压力面前，开展以实时应用为目标的车道线检测与道路交通标线识别方法研究，对于提高道路交通安全具有重要的意义。具体工作如下：
1．针对原始PSPNet算法在分割车道线图像时存在分割速度慢和准确率低的问题，提出了一种改进PSPNet算法。该算法利用MobileNet v2轻量级网络替换原始PSPNet算法的主干特征提取网络，在减少网络参数量的同时降低了计算复杂度；同时在MobileNet v2网络中还引入了空洞卷积和特征融合操作，加强各个特征层之间的信息融合，避免出现因网络参数量的大幅度减少而导致分割准确率下降的问题。利用Caltech数据集对该算法进行验证，实验结果表明，改进PSPNet算法可准确分割出实线与双实线两种类型的车道线，相较于原始算法，改进PSPNet算法的损失值较小，同时MIoU值和MPA值分别达到65.51%和89.76%。
2．使用自适应调参的DBSCAN算法，解决了车道线不连续情况下的错误聚类问题。
为避免单一的拟合算法无法拟合多种线形车道线，本文提出了一种自适应拟合算法，根据样本点到拟合线之间偏差δ的大小，自动选取合适的拟合线形。实验结果表明，利用该拟合算法可实现多种线形车道线的准确拟合。?
3．针对M2Det算法在识别道路交通标线时存在准确率低且参数量大的问题，提出了一种改进M2Det算法。改进算法采用MobileNet v1轻量级网络替换M2Det算法中的基础网络，减少了参数量，缩短了训练时间；在MobileNet v1网络中还添加了BasicRFB模块且将深度可分离卷积中的ReLU激活函数替换为Mish激活函数，减少了小目标物体在特征提取过程中信息的丢失，提高了识别准确率。利用自行标注的道路交通标线数据集对该算法进行验证，实验结果表明，改进M2Det算法可准确识别出7类道路交通标线，且识别准确率均优于其它单阶段算法。较原始算法的mAP值提升了3.81%，损失值下降了近0.8，参数量也得到大幅度降低。可视化实验结果进一步表明，改进M2Det算法可识别出更多的小目标物体，有效避免了漏检现象。
1．针对原始PSPNet算法在分割车道线图像时存在分割速度慢和准确率低的问题，提出了一种改进PSPNet算法。该算法利用MobileNet v2轻量级网络替换原始PSPNet算法的主干特征提取网络，在减少网络参数量的同时降低了计算复杂度；同时在MobileNet v2网络中还引入了空洞卷积和特征融合操作，加强各个特征层之间的信息融合，避免出现因网络参数量的大幅度减少而导致分割准确率下降的问题。利用Caltech数据集对该算法进行验证，实验结果表明，改进PSPNet算法可准确分割出实线与双实线两种类型的车道线，相较于原始算法，改进PSPNet算法的损失值较小，同时MIoU值和MPA值分别达到65.51%和89.76%。
2．使用自适应调参的DBSCAN算法，解决了车道线不连续情况下的错误聚类问题。
为避免单一的拟合算法无法拟合多种线形车道线，本文提出了一种自适应拟合算法，根据样本点到拟合线之间偏差δ的大小，自动选取合适的拟合线形。实验结果表明，利用该拟合算法可实现多种线形车道线的准确拟合。?
3．针对M2Det算法在识别道路交通标线时存在准确率低且参数量大的问题，提出了一种改进M2Det算法。改进算法采用MobileNet v1轻量级网络替换M2Det算法中的基础网络，减少了参数量，缩短了训练时间；在MobileNet v1网络中还添加了BasicRFB模块且将深度可分离卷积中的ReLU激活函数替换为Mish激活函数，减少了小目标物体在特征提取过程中信息的丢失，提高了识别准确率。利用自行标注的道路交通标线数据集对该算法进行验证，实验结果表明，改进M2Det算法可准确识别出7类道路交通标线，且识别准确率均优于其它单阶段算法。较原始算法的mAP值提升了3.81%，损失值下降了近0.8，参数量也得到大幅度降低。可视化实验结果进一步表明，改进M2Det算法可识别出更多的小目标物体，有效避免了漏检现象。