1 武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 武汉理工大学湖北省新能源与智能网联车工程技术研究中心，湖北 武汉 430070
4 东风汽车股份有限公司商品研发院，湖北 武汉 430100
局部和全局特征提取在车道线检测任务中扮演着重要的角色。针对现有的基于激光雷达的车道线检测算法局部特征提取层次单一和全局特征利用不充分的问题，提出一种基于自适应门控的双路激光雷达三维车道线检测算法。首先，通过全局特征金字塔结构，使网络提取具有全局相关性的多层次车道线特征；其次，引入双路结构，其中辅助通路将底层高分辨率纹理特征压缩到高级抽象语义特征从而降低计算复杂度，压缩的语义特征用作另一个构建的主通路的先验信息，帮助学习更加精细的底层纹理细节，并借助高效移动卷积模块，在缓解注意力窗口效应的同时产生更好的下采样特征；最后，设计一种自适应多阶门控模块来更好地利用上下文信息，使网络自适应捕捉车道线更具代表性的全局纹理及语义特征。在K-Lane数据集上的实验表明，所提算法F1分数较主流模型提升2.6个百分点，在不良光照、严重遮挡条件下分别提升2.7个百分点和3.5个百分点。将算法部署在实车平台实现在线检测，验证了算法的工程实用价值。
激光雷达 自动驾驶 深度学习 三维车道线检测 自适应门控 中国激光
2023, 50(22): 2210001
1 天津理工大学 机械工程学院 天津市先进机电系统设计与智能控制重点实验室, 天津300384
2 天津理工大学 机电工程国家级实验教学示范中心, 天津 300384
3 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
为了提升车道线检测算法在障碍物遮挡等复杂情况下的检测性能，本文提出了一种基于双注意力机制的多车道线检测算法。首先，本文通过设计基于空间和通道双注意力机制的车道线语义分割网络，得到分别代表车道线像素和背景区域的二值分割结果；然后，引入HNet网络结构，使用其输出的透视变换矩阵将分割图转换为鸟瞰视图，继而进行曲线拟合并逆变换回原图像空间，实现多车道线的检测；最后，将图像中线两侧车道线所包围的区域定义为目前行驶的行车车道。本文算法在Tusimple数据集凭借134 frame/s的实时性表现达到了96.63%的准确率，在CULane数据集取得了77.32%的精确率。实验结果表明，本文算法可以针对包括障碍物遮挡等不同场景下的多条车道线及行车车道进行实时检测，其性能相比较现有算法得到了显著的提升。
车道线检测 语义分割 注意力机制 车道线拟合 lane detection semantic segmentation attention mechanism lane fitting
上海理工大学光电信息与计算机工程学院，上海 200093
车道线识别是自动驾驶环境感知的一项重要任务。近年来，基于卷积神经网络的深度学习方法在目标检测和场景分割中取得了很好的效果。本文借鉴语义分割的思想，设计了一个基于编码解码结构的轻量级车道线分割网络。针对卷积神经网络计算量大的问题，引入深度可分离卷积来替代普通卷积以减少卷积运算量。此外，提出了一种更高效的卷积结构LaneConv和LaneDeconv来进一步提高计算效率。为了获取更好的车道线特征表示能力，在编码阶段本文引入了一种将空间注意力和通道注意力串联的双注意力机制模块(CBAM)来提高车道线分割精度。在Tusimple车道线数据集上进行了大量实验，结果表明，本文方法能够显著提升车道线的分割速度，且在各种条件下都具有良好的分割效果和鲁棒性。与现有的车道线分割模型相比，本文方法在分割精度方面相似甚至更优，而在速度方面则有明显提升。
1 武汉理工大学汽车工程学院，现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学汽车工程学院，汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 新能源与智能网联车湖北工程技术研究中心，湖北 武汉 430070
4 东风悦享科技有限公司，湖北 武汉 430058
针对当前基于语义分割的车道线检测算法速度与精度不平衡等问题，提出一种优化ERFNet的车道线检测算法。首先设计一个高效的核心模块，通过引入通道分离和通道重组等操作，大幅降低了模型参数量与计算量。其次对下采样进行调整，增加单分支下采样，在减少信息损失的同时提高模型并行度。最后在编码器末端引入特征融合模块，利用空洞卷积扩大感受野，提取不同尺度的车道线特征。在CULane数据集上对本文算法和四种基于语义分割的车道线检测算法进行对比实验，结果表明，在交并比阈值为0.5的情况下，本文提出的算法综合F1评分为73.9%，单帧图像的推理时间可达到12.2 ms，均优于其他四种算法，达到速度与精度的良好平衡。
机器视觉 语义分割 车道线检测 空洞卷积 特征融合 激光与光电子学进展
2022, 59(10): 1015012
1 同济大学汽车学院, 上海 201804
2 同济大学中德学院, 上海 201804
车辆行驶环境感知是自动驾驶领域的重点和难点问题,其中车道线检测是车辆行驶环境感知的基础。针对不同实例车道线难以区分、现有区分算法时间复杂度高、不同行驶场景需人为调整超参数等问题,提出了一种三分支车道线实例分割算法,并对分割结果进行自适应聚类以拟合不同实例车道线。针对车载摄像头获取的图像数据不均衡特点,用基于三分视野法的Tversky Loss函数对卷积神经网络进行训练。针对车道线大曲率半径的特点,以高次项权重作为最小二乘法正则项拟合车道线。在TuSimple数据集上的测试结果表明,本算法对实例车道线的识别准确率为96.23%,相比LaneNet,本算法的时间消耗减少了23.67%,且对不同车辆行驶场景都有较好的检测效果。
机器视觉 卷积神经网络 车道线检测 实例分割 自适应聚类 激光与光电子学进展
2021, 58(8): 0815007
长春理工大学 电子信息工程学院, 吉林 长春 130022
在车辆的自动驾驶和辅助驾驶中, 实时分析车辆的运动状态具有重要的实际应用价值。为了实现对车辆行为的判断, 提出一种基于车道信息融合的车辆行为识别算法。首先提出一种基于改进Robinson与LSD的模型, 运用改进的Robinson算子获取最佳梯度幅值实现对车道的边缘提取, 再通过LSD算法实现车道的检测。然后采用一种基于滑动窗口的三次样条插值法对车道进行拟合, 最后根据车道参数信息分析车辆的运动状态, 结合车辆的中心位置得到车辆的偏离信息。在BDD100K数据集的测试中, 本文算法的车道检测准确率为95.61%, 车辆行为识别准确率为93.04%, 每秒传输帧数达到42.37。实验结果表明, 本文算法在不同场景下可以有效地区分车辆的运动状态并给出车辆的偏离信息, 具有更高的准确性和鲁棒性。
图像处理 车辆行为 车道检测 曲线拟合 image processing vehicle behavior lane detection curve fitting
1 合肥工业大学计算机与信息学院，安徽合肥 230009
2 工业安全与应急技术安徽省重点实验室，安徽合肥 230009
本文针对传统车道识别方法在复杂路面中自适应能力差的特点，基于图像分割技术提出了一种基于全卷积神经网络与条件随机场的车道识别方法。该方法通过大量数据的训练，使神经网络模型可以识别出车道，并且再通过条件随机场使得分割出来的车道覆盖面积及车道边缘的处理更加完善。同时，本文为了解决高速公路中对检测实时性的高要求，设计了一个全卷积神经网络，该网络结构简单，只有 13万个参数，并且做出如下三点改进：采用 BN算法提高网络的泛化能力及收敛速度；采用了 LeakyReLU激活函数取代了一般使用的 relu或者 sigmoid激活函数，并且采用 Nadam作为网络的优化器使得该网络具有更好的鲁棒性；采用条件随机场作为后端处理解决车道边缘处分割不足并且加大了车道覆盖面积。最后本文为了解决城市道路检测中道路环境复杂的问题，利用 FCN-16s网络模型加条件随机场的后端处理实现了复杂城市道路的识别。实验证明，在面对高速公路的高速及车道简单环境下，本文设计的网络模型更具有实时性且足够胜任车道的识别。在面对城市道路的复杂环境下， FCN-16s模型加条件随机场更能精确地识别出车道，并在 KITTI道路检测基准上取得不错的结果。
车道检测 全卷积神经网络 条件随机场 网络优化 lane detection image segmentation full convolution neural network condition random field network optimization
1 河海大学物联网工程学院, 江苏 常州 213022
2 “世界水谷”与水世界生态文明协同创新中心, 江苏 南京 211100;
针对传统的车道线检测系统采用单路前视摄像头在夜晚场景下易受强光照干扰和在复杂场景下易出现误检漏检的问题,提出一种基于主动红外滤光环视成像的车道线检测算法。在成像阶段,利用4路基于主动红外滤光成像的车载摄像头采集车辆四周的场景信息,再基于透视变换和图像融合得到具有360°俯视效果的环视图像。在车道线的检测阶段,提出一种基于凝聚型层次聚类的车道线检测算法:1) 基于车道线的形状特征设计一种具有较强针对性的匹配模板用来提取车道线边缘点;2) 以凝聚型层次聚类对边缘点聚类,并以随机抽样一致性算法对车道线进行直线拟合;3) 结合先验信息和卡尔曼滤波器进一步提高检测准确性。结果表明,本文算法能够较好地消除车道线检测过程中的强光照影响,并在一定程度上有效地降低了误检漏检率。
图像处理 车道线检测 红外滤光 环视成像 凝聚型层次聚类 激光与光电子学进展
2018, 55(12): 121014
桂林电子科技大学 电子工程与自动化学院, 广西 桂林 541004
与传统的车道线检测算法不同, 本文采用LDA算法对道路图像进行针对性灰度化处理。加大车道线与道路的差异, 然后使用抛物线模型对车道线进行拟合, 采用混沌粒子群算法对抛物线参数进行优化, 以车道线的灰度特征和梯度特征作为混沌粒子群的适应度函数, 经过多次的迭代得到抛物线拟合车道线的参数最优值, 进而识别出车道线。实验结果表明, 本文算法能在复杂环境下识别出车道线, 对视频帧序列中的车道线连续追踪具有良好效果。
车道线检测 混沌粒子群算法 抛物线拟合 lane detection LDA LDA chaos particle swarm algorithm parabolic fitting
