基于实例分割方法的复杂场景下车道线检测
姜立标1,2，台啟龙1
(1.华南理工大学机械与汽车工程学院，广东 广州 510640）
（2.华南理工大学广州学院汽车与交通工程学院，广东 广州 510800)
摘要：面对当前在复杂场景下车道线检测存在精度不高、鲁棒性较差等问题，提出一种基于实例分割方法的复杂场景下车道线检测算法。该算法基于改进的VGG-16卷积神经网络结构，首先对道路图像进行二值化语义分割，得到离散的车道线像素点；再采用Mean shift聚类方法确定属于同一条车道线的像素点，形成相应的车道线实例；最后结合可变透视变换矩阵变换道路图像，采用多项式拟合生成车道线参数方程。该算法能够在车道线残缺、被阴影遮挡或数量发生变换等复杂场景下，实现对车道线的准确检测，具有较高的识别准确率。实验结果表明，该算法在不同场景下弯道和直道检测的平均准确率为96.6%，能适合多种路况车道线检测，鲁棒性较好。
关键词：车道线检测；深度学习；实例分割；透视变换
中图分类号：U270.38 文献标识码：A 文章编号：2095-509X(2019)05-0113-06
随着经济的发展和车辆保有量的增加，汽车的安全性越来越受到人们的重视。为了充分了解汽车周围的情况，需要使用各种传感器和控制模块，而基于摄像头的车道线检测是实现这种环境感知的重要技术之一。高效的车道线检测技术对于车道偏离预警系统（LDWS）、车道保持系统（LKS）或轨迹规划决策都至关重要，能显著提高汽车行驶的安全性。
传统车道线检测分为基于特征检测和基于模型检测两种方法，但当路面存在阴影、车道线残缺及道路模型不符合预先假设时，传统方法的识别效果就会降低。为了克服传统方法的不足，采用深度神经网络代替人工设计的特征检测器自动学习道路图像中的车道线特征。Kim等将卷积神经网络（CNN）与RANSAC算法相结合检测车道线，首先使用5×5高斯平滑函数对图像进行预处理，然后在RANSAN算法的前后使用CNN提取车道线特征，这种方法解决了复杂路况车道线检测问题。Gopalan等使用像素的层次特征对道路图像进行建模，使用增强算法筛选相关的车道线特征检测车道线。Li等提出用多重任务卷积神经网络和递归网络检测车道线，该方法的重点在于明确车道的位置、方向等几何属性。Lee等研究了多任务网络在低光照和恶劣天气下进行车道线和道路标志的检测及识别工作。其他一些研究人员也研发出了一些新的车道线检测方法，例如基于启发式算法等方法，但计算量大，无法满足实时性要求。Kim等将车道线检测问题转化为实例分割问题，检测结果是输出每条车道线的实例类别，但这种方法只能检测预先设定的固定数量的车道线。Neven等通过聚类的方法处理同一条车道线的像素点，能够处理道路车道线数量变化的问题，但该方法在实际应用中存在检测算法偶尔失效的情况。针对以上问题，文本设计了一种基于实例分割的车道线检测算法。
1 车道线实例分割
1.1 网络框架
本文在像素级语义分割和实例分割研究的基础上，提出将车道线检测问题转换为实例分割问题，输出结果为道路图像中每条车道线实例。基于VGG-16网络，实例分割由道路图像二值化语义分割和车道线像素聚类两部分组成。图像二值化语义分割是将包含各种信息的道路图像二值化，得到车道线的像素点；车道线像素聚类进一步对得到的车道线像素点进行聚类，形成不同的车道线实例。本文将车道线检测问题分解为上述两步骤，解决道路图像中车道线数量发生变化时检测算法失效的问题，提高了算法的运算速度，满足了车道线检测的实时性要求。这部分网络结构称为L-Net。
作者简介：姜立标（1965—），男，副教授，博士，主要研究方向为智能网联与自动驾驶技术， jlb620620@163.com. | 
最新图文
