基于可变卷积和高效时序信息处理的车道线检测算法研究

作     者：吴旺杰 

作者单位：杭州电子科技大学 

学位级别：硕士

导师姓名：汤景凡;陈默

授予年度：2023年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：车道线检测 可变卷积 自注意力 时序信息 交叉注意力 异步调用 

摘      要：作为驾驶系统的基础模块之一,车道线检测旨在通过传感器设备和车道线检测算法为驾驶系统提供基础道路信息输入和周边环境感知能力,是驾驶系统进行行驶方向和速度决策的重要依据对象。因此,在车速较快、道路环境复杂多变的情况下,需要车道线检测模块保持高检测精度同时,具备实时性的检测速度。然而在针对静态图片输入的模型中,过去的研究往往难以兼具这两项需求。其中“图像行分类建模法取得了极高的检测速度。但是使用此建模方法的模型在强眩光、大面积遮挡和车道缺失等复杂场景下出现检测精度下降的问题。此外,在针对时序视频输入的模型中,过去的研究虽然能通过结合时序信息取得较高精度,却因为复杂的处理方法导致了检测速度极低的问题。因此,本文针对上述两种数据集相关研究中的不同问题展开以下研究:(1)针对车道线检测模型在视觉极端场景下出现检测精度下降的问题,本文使用图像行分类的建模方法,提出基于自注意力和可变卷积的车道线检测模型(Def-SALane)。模型设计了针对高语义特征的自注意力模块,用以强化模型对全局特征的理解,促使模型更专注于车道线的语义特征,从而抑制图像中遮挡等复杂场景带来的负面影响;此外,模型结合了可变卷积模块,对车道线空间位置进行额外的卷积计算,从而强化模型对车道线上下文信息的利用。最后,本文通过在单帧车道线图像数据集:CULane和TuSimple上的实验证明了模型各个模块的有效性,证明了该模型总体的有效性和高计算效率。(2)针对车道线模型对时序视频信息利用低效的问题,本文使用图像行分类建模方法,提出基于高效时序信息处理的车道线检测模型(RTS-Lane)。该模型总体运用交叉注意力机制设计了记忆生成和记忆提取模块,并结合自注意力方法对记忆信息进行了噪声抑制,有效地利用了时序信息。此外,模型通过混合高斯模型聚类方法对参数量进行了压缩,从而降低了模型计算耗时。最后本文通过在时序车道线数据集VIL-100上实验证明了该模型总体和各模块的有效性。(3)针对道路异常物体巡检任务的应用场景,本文基于提出的RTS-Lane模型,设计和开发了一种支持异步调用的、高效的车道线后端服务进程。对该模块进行了功能和性能测试,结果表明该模块稳定运行,能够满足道路巡检任务的实时性要求,且相对于其他设计方法具有更高的性能表现。