基于注意力感知SA-Unet的车载LiDAR点云道路标线提取方法研究

作     者：何银鑫 

作者单位：西南交通大学 

学位级别：硕士

导师姓名：齐华

授予年度：2022年

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

主      题：车载LiDAR点云 道路标线提取 深度学习数据集 DC Loss 注意力感知SA-Unet 

摘      要：道路标线作为最基本的道路要素之一,是不可忽略的研究目标。道路标线的准确提取在高级辅助驾驶系统和高精度地图的开发中具有重要意义。车载LiDAR点云具有三维空间和反射强度信息丰富,对光照条件不敏感等优势,已成为道路标线自动提取不可或缺的数据来源之一。但当点云存在反射强度与密度分布不均匀或道路标线与周围路面对比度低时,现有的基于阈值的方法很难实现道路标线准确、高效、完整地提取。因此,有必要开展基于车载LiDAR点云的道路标线提取方法研究。深度学习方法利用神经网络从浅层特征自适应学习并提取更抽象、更复杂的高层次特征,在图像分类、目标检测与跟踪等研究中受到广泛关注。本研究引入深度学习技术,为基于车载LiDAR点云的道路标线信息提取探索新的途径。本文从深度学习语义分割的角度研究了基于车载LiDAR点云的道路标线提取方法,主要研究工作包括以下内容:(1)研究了“基于MLPC的DL道路标线提取数据集构建的技术流程。针对目前暂无开源的利用点云反射强度信息进行道路标线提取数据集的现实,选用车载激光点云数据,并对点云进行预处理操作,将预处理后得到的点云转换为强度特征图像,然后根据道路标线相关规范,结合原始车载激光点云数据中所涉及到的标线进行道路标线信息标注,并研究了数据分块与划分和数据增强与归一化的方法。最后,总结形成了“基于MLPC的DL道路标线提取数据集构建的技术流程。(2)构建了一种损失函数DC Loss。针对基于U-Net的车载LiDAR点云道路标线提取研究中道路标线区域与路面背景区域样本不平衡,导致常见损失函数不能准确地描述模型误差,模型训练效果不佳的问题。通过结合损失函数Cross Entropy Loss和Dice Loss,构建了一种名为DC Loss的损失函数,以优化U-Net网络的训练效果,从而提高道路标线的提取精度。(3)构建了基于注意力感知SA-Unet的道路标线提取方法。为了进一步提升损失函数改进后的U-Net模型的特征提取能力,通过引入促进通道空间信息充分交互的混洗注意力感知模块SA-Net,从而构建基于注意力感知SA-Unet的道路标线提取方法,以增强模型区分道路标线和路面背景区域的能力,进一步实现道路标线提取精度的提升。研究表明:(1)以道路标线提取为例,本文总结的“基于MLPC的DL道路标线提取数据集构建技术流程是可行性的。(2)在基于U-Net模型的车载LiDAR点云道路标线提取研究中,相较于其它损失函数,本文构建的损失函数(DC Loss)可以改善网络的训练效果,进而取得更高的道路标线提取精度。(3)引入混洗注意力感知模块SA-Net的思想,可以帮助网络准确地感知道路标线与路面背景的通道空间特征关系,进一步优化模型识别道路标线区域的效果,注意力感知SA-Unet模型可以有效提高道路标线提取的效率和精度。(4)相较于自适应阈值等其它基于阈值的车载LiDAR点云道路标线提取算法,本文方法可以有效解决在反射强度与点密度分布不均,道路标线与路面对比度低时导致的提取效果较差的问题,对道路标线提取精度更高,且模型具有鲁棒性和泛化性。基于注意力感知SA-Unet的车载LiDAR点云道路标线提取方法在道路标线提取方面具有较好的效果,可望更好地服务于自动驾驶的高精度地图开发应用。本文研究结果对提高基于车载LiDAR点云的道路标线提取精度具有一定的参考价值。