复杂场景中的快速车道线检测方法

摘要：

车道线检测是实现无人驾驶系统的一项重要任务.针对当前基于分割的检测方法实时性能不足的问题,提出了一种快速车道线检测方法FracLane.设计一种高效的特征提取模块,通过分形的思想构造基于聚合不同大小感受野的分形残差结构,更准确地提取车道特征.结合龙格-库塔法,使用可训练参数对分形残差结构的输出进行加权融合,构造能进一步提升网络性能的分形残差模块(FracRes).在特征解码阶段引入一种基于行锚检测方法的车道位置预测模块(LPP),极大提高网络的检测速度.在包含多种交通场景的车道检测数据集TuSimple和CULane上进行的大量实验,结果表明,该方法在两个数据集上最高可获得97.26％的准确率和78.1的F1评分,在800×288的分辨率下,最高可获得206 FPS的推理速度.与现有检测方法相比,该方法在检测精度与速度方面都有明显提高,达到实时检测任务的需求.

关键词：车道线检测、行锚、分形残差、龙格-库塔、卷积神经网络

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金11461037

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：178-185