车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度...车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度。通过构建以VGG-16为主链并嵌入通道注意力和空间注意力机制的全卷积神经网络模型,实现端到端像素级别的车道线语义分割。嵌入注意力模块的新模型在CULane通用数据集上验证结果同VGG-解码语义分割方法相比,其平均像素准确率与均交并比(Mean Intersection over Union, MIoU)分别提升2.2%与1.3%。且在车道线不存在场景下,预测结果的像素准确率达到70%。嵌入注意力机制的图像分割算法研究为车道线识别问题提供了有效解决方案,有力支撑车道线检测技术在无人驾驶场景的应用。展开更多
文摘车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度。通过构建以VGG-16为主链并嵌入通道注意力和空间注意力机制的全卷积神经网络模型,实现端到端像素级别的车道线语义分割。嵌入注意力模块的新模型在CULane通用数据集上验证结果同VGG-解码语义分割方法相比,其平均像素准确率与均交并比(Mean Intersection over Union, MIoU)分别提升2.2%与1.3%。且在车道线不存在场景下,预测结果的像素准确率达到70%。嵌入注意力机制的图像分割算法研究为车道线识别问题提供了有效解决方案,有力支撑车道线检测技术在无人驾驶场景的应用。
