期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进LaneNet网络的车道线检测方法
1
作者 刘宏建 张伟斌 《现代交通与冶金材料》 2025年第2期39-50,共12页
科技发展日新月异,自动驾驶成为大家研究的热门领域。受复杂环境的影响,车道线检测很容易出现漏检误检的情况。传统的LaneNet车道线检测算法可以通过像素级别的图像处理来检测车道线,但该算法没有区分图像的关键区域,所以在复杂环境中,... 科技发展日新月异,自动驾驶成为大家研究的热门领域。受复杂环境的影响,车道线检测很容易出现漏检误检的情况。传统的LaneNet车道线检测算法可以通过像素级别的图像处理来检测车道线,但该算法没有区分图像的关键区域,所以在复杂环境中,其检测能力大幅下降。为了提高其检测能力,本文对LaneNet网络进行了优化。提出了一种引入边缘特征和U-Net网络的语义分割模型Edge-Feature U-Net LaneNet(简称EU-LaneNet),该模型更加关注车道线附近像素的变化,还能一定程度宽容车道线的形变,从而使模型具有更好的鲁棒性。EU-LaneNet模型中使用了UNet网络作为编解码结构,U-Net网络将编码器与解码器进行跳跃层连接,从而保留了更多的空间信息和上下文信息,这有助于保留更多的细节并提高分割结果的准确性。在EU-LaneNet模型中增加了空洞空间卷积池化金字塔(ASPP, Atrous Spatial Pyramid Pooling)与频率域通道注意力(FCANet, Frequency Channel Attention)的融合机制,该方法具备从广阔的感受野中捕捉丰富的上下文信息的能力,同时提取出便于分析的细节特征,并通过这些细节特征来抑制噪声。利用自己构建的道路监控数据集和Tusimle车道线检测数据集对该模型进行综合训练。车道线检测结果显示,本文提出的模型效果更好,在准确率基本保持不变的情况下,本研究提出的车道线检测综合模型相对于传统的车道线检测LaneNet网络精确率提高了8.96%,能够更好地适应复杂的环境。 展开更多
关键词 智能交通 车道线检测 lanenet U-Net 空洞空间卷积池化金字塔 频率域通道注意力
在线阅读 下载PDF
基于LaneNet算法的车道线检测方法研究
2
作者 李荣彬 《科技创新与生产力》 2025年第5期130-133,137,共5页
本研究针对自动驾驶和智能驾驶辅助系统中的车道线检测问题,提出了一种基于LaneNet算法的准确、实时车道线检测方法。LaneNet算法以其独特的多分支网络结构,能够高效地实现车道线的二值化分割和实例分割,并通过引入H-Net网络学习透视变... 本研究针对自动驾驶和智能驾驶辅助系统中的车道线检测问题,提出了一种基于LaneNet算法的准确、实时车道线检测方法。LaneNet算法以其独特的多分支网络结构,能够高效地实现车道线的二值化分割和实例分割,并通过引入H-Net网络学习透视变换参数,提高了车道线检测的准确性和鲁棒性。研究详细阐述了基于LaneNet的车道线检测方法的各个环节,包括图像预处理、特征提取、车道线检测和后处理。通过实验验证,该方法在公开的车道线检测数据集Tusimple上取得了优异的表现,与传统图像处理方法、YOLOv3和Faster R-CNN等算法相比,LaneNet在准确率、错误检测率(FP)和漏检率(FN)方面均表现出最优性能。具体而言,LaneNet的准确率达到96.5%,错误检测率为6.8%,漏检率为1.8%,为车道线检测领域提供了新的思路和方法,有助于推动自动驾驶技术的进一步发展。 展开更多
关键词 车道线检测 特征提取 深度学习算法 lanenet算法
在线阅读 下载PDF
面向多元场景结合GLNet的车道线检测算法 被引量：11
3
作者 周经美 王钰 +2 位作者 宁航 程鑫 赵祥模 《中国公路学报》 EI CAS CSCD 北大核心 2021年第7期118-127,共10页
各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性,现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNe... 各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性,现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNet的车道线检测算法。首先采用改进Gamma校正对待检测路面图像预处理,消减光照不均匀、夜晚等环境干扰,增强车道线纹理。然后为增强数据集的多样性,在LaneNet网络的基础上引入对抗生成网络DCGAN,构建GLNet网络模型。该模型采用编码-解码的网络结构提取车道线特征(车道蒙板和像素点),通过DBSCAN聚类算法将不同车道线划分为不同的实体,使用H-Net网络学习的视觉转换矩阵优化并拟合输出车道线。最后基于已训练好的GLNet权重模型对车道线进行精确提取,并在Tusimple数据集和自制数据集上测试验证。试验结果表明:该方法的检测准确率可达97.4%,相较于基于LaneNet网络的车道线检测算法明显提高;DCGAN网络的加入丰富了数据集类型,并提高了该模型的表征及分类能力;DBSCAN聚类算法的平均聚类时间约为0.016 s,相较于Meanshift算法运行效率更高。所提出的方法考虑了不规范、环境复杂等多种道路类型的车道线检测任务,提升了对复杂噪声与多元场景的处理能力,在车辆辅助驾驶领域具有较好的鲁棒性和适用性。 展开更多
关键词 交通工程 车道线检测 GLNet模型 多元场景 自动驾驶 lanenet DCGAN
原文传递
基于深度学习的摩托车车道实时检测 被引量：1
4
作者 万海波 蒋磊 王晓 《计算机科学》 CSCD 北大核心 2023年第S01期450-454,共5页
摩托车驾驶相比于其他驾驶方式更加危险,但缺乏有效的辅助驾驶系统,例如车道辅助保持系统、障碍物检测、预碰撞系统等,而判定摩托车在行驶中是否发生了偏离往往需要参照车辆行驶时车道线的位置,因此车道线检测对于辅助驾驶系统来说至关... 摩托车驾驶相比于其他驾驶方式更加危险,但缺乏有效的辅助驾驶系统,例如车道辅助保持系统、障碍物检测、预碰撞系统等,而判定摩托车在行驶中是否发生了偏离往往需要参照车辆行驶时车道线的位置,因此车道线检测对于辅助驾驶系统来说至关重要,因此文中提出了基于深度学习的摩托车车道实时检测算法。在Lanenet架构的基础下做出了以下3点改进:将车道坐标的绝对位置作为输入特征、使用K-means算法代替Mean-Shift聚类算法以及去除Hnet结构。由于目前缺乏公开的摩托车车道数据集,因此将使用采集的摩托车车道数据对模型进行拟合,拟合的结果证明了该算法的有效性,检测速度可达47.6fps,交并比可达0.71560,相比文献[3]中的算法在精度上提高了15.5%,在速度上提高了53.3%。 展开更多
关键词 摩托车驾驶 车道检测 lanenet 实时检测 深度学习
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部