LaneSegNet-一种高效的车道线检测方法.docxVIP

? ? LaneSegNet:一种高效的车道线检测方法 ? ? 胡序洋 高尚兵 汪长春 胡立伟 李少凡 0 引言 随着人们生活水平的提高,汽车在人们的生活中扮演着越来越重要的角色,汽车保有量逐年增加,交通事故频发．据统计,2020年全年共发生近16万起交通事故,死亡4万多人,受伤近16万人,直接财产损失超过11亿元．为了保障行车安全,避免事故发生,衍生出多种辅助驾驶[1]技术,其中车道线检测是智能驾驶技术中重要的组成部分．车道线检测的准确度和速度决定了智能驾驶系统的性能． 目前,车道线检测的方法主要分为基于传统的车道线检测方法和基于深度学习的检测方法． 基于传统的车道线检测方法主要依赖于高度定义化和手工提取的特征检测车道线．例如:刘源等[2]结合车道线边缘的梯度分布和灰度分布提取特征点提出一种基于边缘特征点聚类的车道线检测算法,根据车道线特征依次进行特征点聚类和区域聚类,再挑选出最优点进行拟合;吕侃徽等[3]使用改进Hough变换和密度空间聚类提出了一种稳健的车道线检测算法,将车道线分解成小线段,再分别进行聚类和检测．传统依赖手工提取特征的车道线检测方法实时性较强,但是只适用于环境简单、车道线无遮挡、光线较为均匀的结构化道路,当道路场景复杂时,检测效果往往不能满足要求． 基于深度学习的检测方法通过深度神经网络对图像中的车道线进行特征提取．例如:SAD[4]算法使用语义分割和知识蒸馏能够增强卷积神经网络的特征表达能力,大幅提升分割效果;PINet[5]模型提出基于关键点的车道线检测,使用较少的参数可以检测任意方向、任意数量的车道线;SGNet[6]算法充分利用车道线相关的结构信息,可以准确描述出车道线并对车道线进行分类和定位． 由于采集设备以及采集环境的不同,采集的道路信息会受到光照、遮挡以及阴影等因素的影响,进而影响车道线检测的准确度．同时,采集的道路图像较为复杂,准确有效的检测车道线仍然存在较大的挑战．本文基于高速公路以及城市内道路结构化的特征,提出一种基于LaneSegNet的高效的车道线检测算法,其流程如图1所示．该算法主要由编解码网络、混合注意力网络、多尺度空洞卷积融合网络组成．首先使用编码网络提取结构化道路的车道线特征,同时通过混合注意力网络增强车道线特征信息,然后通过多尺度空洞卷积融合网络扩大模型的感受野，最后使用解码网络恢复图像至原图大小,实现了车道线的检测．本方法能够实现端到端的车道线检测,能够满足实时性的要求． 图1 总体算法流程Fig.1 Flow chart of overall algorithm 1 相关工作 近年来深度学习在各个领域有广泛应用,深度神经网络在车道线检测领域也取得了很好的效果．本文主要以Lane-Net为主干网络对图像特征进行信息提取和恢复、使用多尺度空洞卷积特征融合网络增大整个网络的感受野、使用混合注意力网络增强本任务相关的特征． 1)主干网络:主干网络的主要功能是尽可能多地提取特征信息.目前图像分割中使用的主干网络主要以编码-解码器为主,DeepLabv3+[7]的编码模块为带有空洞卷积的DCNN,其后为带有空洞卷积的金字塔池化模块,并引入解码模块将低级信息与高级信息进行融合．EfficientNet[8]通过增加网络宽度、深度以及图像分辨率提升网络的性能,通过复合模型扩张方法并结合神经网络搜索技术决定增加的数量．上述网络对于特征提取比较准确,但是参数量较大导致推理速度较慢．本文提出一种轻量级的主干网络,具有更少的参数同时保持较高的准确度和速度． 2)多尺度空洞卷积特征融合网络:神经网络的感受野大小对于大尺度对象的检测和分割具有重要影响．在早期的神经网络中通过增加网络的深度来增大感受野,VGGNet[9]通过增加网络层数增大网络的感受野,使其在图像相关任务中取得比较好的效果． 3)混合注意力网络:近年来注意力机制[10]经常作为一种插件应用在神经网络中,并且对网络的训练效果有显著的提升．注意力机制主要有空间域注意力、通道域注意力、混合域注意力等．ECA-Net[11]在SENet[12]的基础上提出一种新的通道注意力机制,它在增加通道之间的交互、降低复杂度的同时保持性能．EPSANet[13]是一种新的高效金字塔注意力分割模块(Efficient Pyramid Split Attention,EPSA),它可以有效地提取更细力度的多尺度空间信息,同时可以建立更长距离的通道依赖关系．Hou等[14]提出CA(Coordinate Attention)注意力机制可以捕获跨通道的信息,同时能够感知方向信息以及位置信息,使模型可以更准确地定位目标区域．但是在以上注意力机制的实现过程中,准确率和效率之间很难达到平衡． 基于以上分析,本文提出一种基于LaneSegNet的高效车道线检