论文部分内容阅读
车道线检测过程易受光照、遮挡物等环境因素的影响,本文针对上述问题,在现有检测算法的基础上提出一种基于多任务卷积神经网络的车道线检测算法。通过改进参考网络的网络结构,在提升检测结果的同时,加快了网络的运行速度。实验结果表明改进后的网络在PC端和Jetson Tegra 2(TX2)平台的运行速度分别达到60fps和5fps。首先,根据算法需求选定硬件平台,并制作训练网络所需数据集。手动标注6000张校园车道线并利用脚本函数将其与公开数据集进行处理得到训练网络所需数据集。通过感兴趣区域提取、图片缩放、翻转等操作,进一步优化并丰富数据集。其次,对参考网络的网络结构进行改进。本文的网络借鉴DriveNet、VPGNet的网络结构。在现有的多任务网络基础之上对网络结构进行如下改进:(1)基础网络的替换,利用ZFNet和VGGNet网络替换原始多任务网络中的Alex Net网络;(2)对现有网络模型进行压缩,为了能够将网络部署于TX2平台,本文通过压缩操作,使网络模型缩小为原来的六分之一,并且使其在PC端和TX2平台的运行速度提升了3倍和3.5倍。然后,利用基于距离的聚类算法对车道线点进行聚类,并通过最小二乘法完成拟合。为了得到“像素级”的车道线检测结果,常用的车道线检测算法对神经网络的输出进行了后处理操作。通过改进后处理变换中的采样、逆透视变换、聚类等操作,加快了后处理速度。最后,将PC端训练好的网络部署到TX2平台并检测其性能。根据网络结构完成对TX2平台的搭建,同时将PC端训练好的网络部署到TX2平台。通过实验可知压缩后的网络在TX2平台的运行速度可达5fps。