为了解决传统三车道检测过程中算法易受干扰、车道线拟合不准确、两侧车道误判等问题,提出了一种基于顶帽算法(Top Hat)分割和曲线模型的三车道检测方法.利用车道线的形状和颜色特征,在图像预处理阶段提出了一种变内核Top Hat的车道线...为了解决传统三车道检测过程中算法易受干扰、车道线拟合不准确、两侧车道误判等问题,提出了一种基于顶帽算法(Top Hat)分割和曲线模型的三车道检测方法.利用车道线的形状和颜色特征,在图像预处理阶段提出了一种变内核Top Hat的车道线分割算法.在车道线识别阶段,首先,提出了一种基于加权最小二乘法(weighted least squares,WLS)的消失点拟合方法以约束霍夫变换;其次,在极坐标中以DBSCAN(density-based spatial clustering of applications with noise)聚类法对直线聚类并匹配三车道模板;再次,以该模板为基础建立车道线感兴趣区,在每个感兴趣区内搜索并以三次曲线模型拟合车道线;最后,对于不确定的边侧车道,提出了一种基于随机投种法的边侧车道可行驶性判定方法.算法检测率以及漏检率结果显著优于传统三车道识别算法.实验结果表明:该算法具有良好的准确性及稳定性,更适用于三车道环境.展开更多
基于Transformer的车道预测LSTR(Lane Shape Prediction with Transformers)算法在检测车道线时存在缺少捕捉局部特征的能力和多头注意力机制中头数多余的问题.本文提出了改进LSTR算法的车道线检测方法,首先在最后一个编码器中前馈网络...基于Transformer的车道预测LSTR(Lane Shape Prediction with Transformers)算法在检测车道线时存在缺少捕捉局部特征的能力和多头注意力机制中头数多余的问题.本文提出了改进LSTR算法的车道线检测方法,首先在最后一个编码器中前馈网络的后面引入CBAM(Convolutional Block Attention Module)注意力机制模块,充分利用通道和空间上的信息,捕捉特征图中更多的细节;然后对解码器中的掩码多头注意力机制进行剪枝,使用掩码单头注意力机制来进行替换,以便更多关注前一时刻的车道线信息.改进后的LSTR算法在TuSimple数据集上准确度为96.31%,明显高于PolyLaneNet(Lane Estimation via Deep Polynomial Regression)等算法,在CULane数据集上比原始算法的F1评分上升了2.11%.展开更多
UFLD(ultra fast structure aware deep lane detection)是一种轻量化车道线检测模型,为提升模型的检测精度,对模型进行改进。引入CAM(channel attention mechanism)使模型能更关注携带重要车道线信息的特征通道和像素;为了感知车道线...UFLD(ultra fast structure aware deep lane detection)是一种轻量化车道线检测模型,为提升模型的检测精度,对模型进行改进。引入CAM(channel attention mechanism)使模型能更关注携带重要车道线信息的特征通道和像素;为了感知车道线的细节信息,引入ASPP(atrous spatial pyramid pooling)扩大卷积过程的感受野,提高模型分割精度;搭建引入CAM和ASPP后的改进模型,并在改进的模型上进行实验。实验结果表明:在TuSimple数据集上以ResNet18为主干网络的模型检测精度由95.81%提升至95.98%,以ResNet34为主干网络的模型检测精度由95.84%提升至96.12%;在CULane数据集上,无论是以ResNet18还是以ResNet34为主干网络模型,其平均精度均有不同程度的提高。展开更多
文摘为了解决传统三车道检测过程中算法易受干扰、车道线拟合不准确、两侧车道误判等问题,提出了一种基于顶帽算法(Top Hat)分割和曲线模型的三车道检测方法.利用车道线的形状和颜色特征,在图像预处理阶段提出了一种变内核Top Hat的车道线分割算法.在车道线识别阶段,首先,提出了一种基于加权最小二乘法(weighted least squares,WLS)的消失点拟合方法以约束霍夫变换;其次,在极坐标中以DBSCAN(density-based spatial clustering of applications with noise)聚类法对直线聚类并匹配三车道模板;再次,以该模板为基础建立车道线感兴趣区,在每个感兴趣区内搜索并以三次曲线模型拟合车道线;最后,对于不确定的边侧车道,提出了一种基于随机投种法的边侧车道可行驶性判定方法.算法检测率以及漏检率结果显著优于传统三车道识别算法.实验结果表明:该算法具有良好的准确性及稳定性,更适用于三车道环境.
文摘基于Transformer的车道预测LSTR(Lane Shape Prediction with Transformers)算法在检测车道线时存在缺少捕捉局部特征的能力和多头注意力机制中头数多余的问题.本文提出了改进LSTR算法的车道线检测方法,首先在最后一个编码器中前馈网络的后面引入CBAM(Convolutional Block Attention Module)注意力机制模块,充分利用通道和空间上的信息,捕捉特征图中更多的细节;然后对解码器中的掩码多头注意力机制进行剪枝,使用掩码单头注意力机制来进行替换,以便更多关注前一时刻的车道线信息.改进后的LSTR算法在TuSimple数据集上准确度为96.31%,明显高于PolyLaneNet(Lane Estimation via Deep Polynomial Regression)等算法,在CULane数据集上比原始算法的F1评分上升了2.11%.
文摘UFLD(ultra fast structure aware deep lane detection)是一种轻量化车道线检测模型,为提升模型的检测精度,对模型进行改进。引入CAM(channel attention mechanism)使模型能更关注携带重要车道线信息的特征通道和像素;为了感知车道线的细节信息,引入ASPP(atrous spatial pyramid pooling)扩大卷积过程的感受野,提高模型分割精度;搭建引入CAM和ASPP后的改进模型,并在改进的模型上进行实验。实验结果表明:在TuSimple数据集上以ResNet18为主干网络的模型检测精度由95.81%提升至95.98%,以ResNet34为主干网络的模型检测精度由95.84%提升至96.12%;在CULane数据集上,无论是以ResNet18还是以ResNet34为主干网络模型,其平均精度均有不同程度的提高。
