随着汽车的日益普及,道路交通事故发生率不断上升,严重影响到人们的生命财产安全。自动驾驶可有效减少交通事故的发生,而车道线检测与识别是自动驾驶系统的重要组成部分。传统的车道线检测方法主要基于边缘特征检测或者图像分割,易受到光照变化、行驶车辆、道路破损等干扰,导致算法鲁棒性下降,在不良天气和复杂环境下达不到所需的检测准确率。深度学习方法利用网络模型自动学习目标特征,具有较高的泛化能力,可以有效提高目标检测的准确率。近年来,卷积神经网络在机器视觉应用领域中取得了巨大的成功。本文就基于卷积神经网络进行车道线检测的研究,主要工作如下。1.研究了图像预处理方法。通过消失点检测确定道路图像的感兴趣区域,去除天空等与任务无关的区域,从而缩小算法搜索空间、提高算法速度;基于逆透视变换将道路图像转化为俯视图,使车道线的长和宽在整幅图中都保持一致,还原了车道线的真实特征,有效提高算法检测性能。2.设计了两种基于深度神经网络的车道线检测方法。一种方法是利用车道线的灰度特征获取车道线候选区域,利用CNN(Convolutional Neural Networks)进行车道线与非车道线的分类;另一种方法是基于目标检测网络R-FCN(Region-based Fully Convolutional Networks)检测车道线,车道线的定位与分类全部由R-FCN网络完成。建立了理想和非理想条件的6个测试数据集,实验结果表明,基于R-FCN网络的车道线检测方法达到了更高的召回率和准确率,平均为97.1833%和93.8317%。3.研究了车道线候选区域的连接、拟合以及车道线检测结果的评估方法。针对直道和非直道的识别问题,提出了基于角度估计的车道线区域连接方法;设计了基于梯度特征和最小二乘法实现车道线拟合的方法。实验表明,本文的方法能够适应不同的场景,平均错误率仅为2.85%,准确率为98.7715%,横向偏移量为3.1531像素。4.车道线前方的车辆、行人等目标遮挡车道线,导致车道线检测性能下降。为实现车道线、车辆、行人的同时检测,提高车道线乃至各任务的检测性能,本文将逆透视变换移植到基于R-FCN的多任务网络,实现了车道线的end-to-end检测,并进一步实现了车辆与车道线的多任务检测。
