基于空间语义分割的多车道线检测跟踪网络

摘要：

基于深度学习的目标检测网络在车道线识别领域依旧存在车道区别不明显,识别精度低,误检率、漏检率高等问题.为了解决这些问题,提出了一种基于空间实例分割的轻量级车道检测跟踪网络.该方法在编码部分使用VGG16网络和空间卷积神经网络来提高网络结构学习空间关系的能力,解决了预测车道线出现模糊、不连续等问题;基于LaneNet将编码输出后的两个分支任务相耦合,以改进前景与背景识别效果不佳和车道间区分不明显的问题.最后,该方法在TuSimple数据集中与其他5种基于语义分割的车道线算法进行对比.实验表明,本文算法的准确率评分为97.12％,误检率与漏检率均优于其他网络,并且误检率与漏检率相比于LaneNet分别降低了44.87％和12.7％,基本满足实时车道线检测跟踪的要求.

关键词：机器视觉、语义分割、车道线检测跟踪、轻量级卷积神经网络、空间卷积神经网络

所属期刊栏目：31

分类号：U491.6(交通工程与公路运输技术管理)

资助基金：国家科学基金资助项目No.62101314

在线出版日期：2023-06-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1357-1365