论文部分内容阅读
车道线识别作为自动驾驶领域的基本任务,已经有大量的研究成果,总体来说可以分为传统计算机视觉方法和深度学习方法,传统计算机方法大多使用边缘检测、Hough变换等方法进行车道线提取,其中包括大量的手工工程,需要进行复杂的调参实验,极富技巧性。同时,这些方法受限于手工设计的特征导致鲁棒性较差,大多只能对特定场景或特定数据集表现出很好的效果。随着深度学习的兴起,人们开始使用深度神经网络来进行车道线的识别,目前大多是基于FCN(Fully Convolutional Networks,全卷积神经网络)的图像语义分割方法或者基于YOLO、SSD等目标检测算法。这些方法本质上都属于分类方法,通过分类和定位方法找到车道线,再通过后处理将定位到的车道线转化为线条信息。本文改进了一种端到端的深度学习车道线检测模型,不同于传统的分类算法,该算法使用了回归拟合的方法来对车道线进行检测。将传统模型中的车道线提取和后处理提取车道线曲线参数信息的过程整合在一起,省去了模型的后处理过程,加快了网络运算速度。同时,分类深度学习方法基于概率模型,在发生车道线缺损或者被遮挡时模型就无法准确判断该区域的车道线信息,而本文改进的回归深度学习方法通过对车道线曲线进行回归拟合,在局部车道线信息缺损的情况下仍然有良好的检测检测效果,模型的鲁棒性较好。本文的核心内容旨在将基于回归的深度学习方法应用于车道线识别任务中,本文的主要研究工作内容如下:(1)创建了专用于回归模型的车道线数据集,通过在湖南大学周边拍摄视频并从中截取获得了20000多张图片,包括晴天、雨天、白天、夜晚等不同光线条件,同时包括快速路、辅路、校园道路等多种车道线场景。通过对图片进行图像处理、筛选、标注、数据集封装等流程制作了专用于回归识别的车道线数据集。该数据集与开源数据集相比,不仅标注了车道线的位置,同时将车道线的位置信息以二次曲线方程参数的方式保存到数据集标签中。(2)介绍了卷积神经网络原理及组件,通过搭建卷积神经网络的深度学习模型,并在之前构建的数据集上进行训练和测试,结果证明了基于回归的深度学习模型可以有效的完成车道线检测任务。同时针对模型的训练结果提出了进一步改进优化的方向。(3)为了进一步提升模型识别精度,本文结合传统计算机视觉技术,设计了一种将RGB颜色空间检验算法、HSL颜色空间检测算法与边缘检测算子结合的图像预处理模块对图像进行特征粗提取。将该模块与深度学习模型结合进行训练测试,比较添加了特征粗提取模块的深度学习模型和未添加特征粗提取模块的深度学习模型的训练测试结果,证明了特征粗提取模型有效的提高了基于回归的深度学习模型在车道线检测任务中的识别精度。(4)通过实验室的智能小车平台对算法模型进行实验,主要针对模型的实时性和泛化性能进行测试。首先对模型进行迁移学习以提高模型在实验跑道上的识别性能,然后将小车的视觉模型与小车控制系统相连接,将视觉模型输出的结果作为小车转向的输入进行实验。实验结果表明模型的实时性和准确性基本满足小车的自主行驶要求,且算法在新的车道线上依然有良好的性能,表明该算法有着良好的泛化性能。