0 引言

近年來(lái)，自動(dòng)駕駛技術(shù)得到了快速發(fā)展。車(chē)道檢測(cè)是自動(dòng)駕駛和輔助駕駛中的一項(xiàng)關(guān)鍵技術(shù)，在運(yùn)動(dòng)規(guī)劃中起著重要的作用。傳統(tǒng)的車(chē)道檢測(cè)方法，如霍夫變換 Li[1]、齊美彬等[2]，在較為理想的場(chǎng)景下可以檢測(cè)出車(chē)道線(xiàn)，但容易受到其他物體的干擾。為了提高在有遮擋、不清晰場(chǎng)景下的檢測(cè)精度，Son等[3]使用卡爾曼濾波器的跟蹤算法做車(chē)道檢測(cè)中，文獻(xiàn)[4]還進(jìn)一步使用了隨機(jī)樣本一致性算法來(lái)消除一些非車(chē)道特征區(qū)域。該方法在輕微遮擋時(shí)可以有效提升檢測(cè)精度，但在嚴(yán)重遮擋的情況下檢測(cè)效果仍然較差。

深度學(xué)習(xí)發(fā)展迅速，在車(chē)道檢測(cè)領(lǐng)域中得到廣泛應(yīng)用?，F(xiàn)有基于深度學(xué)習(xí)的車(chē)道線(xiàn)檢測(cè)根據(jù)其檢測(cè)思路不同，可分為基于分割、分類(lèi)、回歸以及利用時(shí)域信息的車(chē)道線(xiàn)檢測(cè)方法。其中，Neven[5]、Chen[6]將車(chē)道先檢測(cè)作為一種分割任務(wù)，提出使用實(shí)例分割的方法來(lái)檢測(cè)車(chē)道線(xiàn)，其精度較高且可以同時(shí)檢測(cè)多個(gè)車(chē)道線(xiàn)，但基于分割的方法要對(duì)圖像中每個(gè)像素進(jìn)行分類(lèi)，計(jì)算量較大。為了減小計(jì)算量，Hou等[7]提出了自我蒸餾的方法減小網(wǎng)絡(luò)參數(shù)量，通過(guò)計(jì)算高層特征的注意力特征圖來(lái)反饋給淺層網(wǎng)絡(luò)，以提高淺層網(wǎng)絡(luò)的特征提取能力，可達(dá)到較深網(wǎng)絡(luò)的精度，但本質(zhì)上還是一種基于分割的方法，計(jì)算量仍然較大。為了讓網(wǎng)絡(luò)計(jì)算速度更快，Qin等[8]提出基于逐行分類(lèi)的方法做車(chē)道線(xiàn)檢測(cè)，將分割任務(wù)的逐像素點(diǎn)分類(lèi)變?yōu)榱酥饌€(gè)anchor分類(lèi)，推理速度相比于分割的方法快。但在主干網(wǎng)絡(luò)使用的ResNet-18中有特征堆疊，導(dǎo)致網(wǎng)絡(luò)推斷速度仍然受限。不同于其他物體，車(chē)道線(xiàn)具有縱向跨度大的結(jié)構(gòu)特性，為了利用上下文信息，Pan等[9]提出了SCNN的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)從多個(gè)方向提取特征圖像素之間的相關(guān)性，增加主干網(wǎng)絡(luò)的感受野，提升車(chē)道線(xiàn)的分割效果。但SCNN結(jié)構(gòu)會(huì)計(jì)算特征圖在各個(gè)不同方向上像素間相關(guān)性，計(jì)算復(fù)雜度大，實(shí)時(shí)性差。此外，因?yàn)檐?chē)道線(xiàn)可視為一個(gè)三次多項(xiàng)式構(gòu)成的曲線(xiàn)，所以Tabelini等[10]提出了PloyNet回歸計(jì)算三次多項(xiàng)式的系數(shù)。由于只要回歸出多項(xiàng)式的系數(shù)，因此該方法檢測(cè)速度比分割的方法速度快，但如果多項(xiàng)式的常數(shù)量有偏差時(shí)就會(huì)導(dǎo)致整條車(chē)道線(xiàn)出現(xiàn)偏移。也有工作利用時(shí)域信息去檢測(cè)車(chē)道線(xiàn)，Ko等[11]提出可在主干網(wǎng)絡(luò)之后加入Conv-LSTM，通過(guò)提取主干網(wǎng)絡(luò)輸出特征圖的時(shí)域信息，提高檢測(cè)精度，但由于Conv-LSTM計(jì)算量太大，因此會(huì)導(dǎo)致實(shí)時(shí)性不夠。

本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.xxav2194.com/resource/share/2000004536

作者信息：

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108)