CN113780132B - 一种基于卷积神经网络的车道线检测方法 - Google Patents
一种基于卷积神经网络的车道线检测方法 Download PDFInfo
- Publication number
- CN113780132B CN113780132B CN202111011579.8A CN202111011579A CN113780132B CN 113780132 B CN113780132 B CN 113780132B CN 202111011579 A CN202111011579 A CN 202111011579A CN 113780132 B CN113780132 B CN 113780132B
- Authority
- CN
- China
- Prior art keywords
- lane line
- convolution
- line detection
- model
- detection model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000005215 recombination Methods 0.000 claims 1
- 230000006798 recombination Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的车道线检测方法,包括以下步骤:1)获取车道线图像作为车道线检测模型的训练数据集;2)对车道线图像进行数据增强;所述数据增强操作包括归一化、随机旋转、随机裁剪;3)构建车道线检测模型;4)将车道线图像输入至车道线检测模型中进行特征提取;5)利用训练集图片训练车道线检测模型,调整模型超参数,使得模型损失值最小化;6)根据训练好的车道线检测模型,输入待检测图片到车道线检测模型中,然后进行车道线检测。本发明方法兼顾了车道线检测的检测精度与检测速度。
Description
技术领域
本发明涉及计算机视觉技术,尤其涉及一种基于卷积神经网络的车道线检测方法。
背景技术
车道线检测是智能汽车感知系统的重要组成部分,车道线相关的车道保持和车道偏离预警等ADAS功能对于保障驾驶员安全具有重要作用。当前车道线检测主要分为两类:基于传统方法和基于深度学习的车道线检测。
基于传统方法的车道线检测可根据原理分为两类:1)基于特征的检测方法;此类方法主要通过车道线的宽度,颜色及渐变纹理等特征来进行特征提取,这类方法当路面存在严重阴影、光照不均等情况时,检测效果不佳且泛化性不强;2)基于模型的方法;此类方法通过借助道路的先验知识,建立适当的数学模型来拟合车道线。
深度学习具有强大的特征提取及表征能力,在不同场景下均能有稳定良好的结果输出。SCNN网络从空间中不同的方向传递神经元之间的消息,使其能够更好地捕获像素之间的空间关系,但是它采用直接上采样的方式,不能很好地恢复车道线边界像素。LaneNet提出了一个带分支结构的多任务网络结构,包含一个二值分割分支和一个嵌入分支,能够实现端到端、任意数量的车道线检测,但缺点就是聚类耗时,无法满足智能驾驶技术的实时性要求。西南交大学者徐国晟提出一种基于扩张卷积金字塔网络的车道线检测算法,利用不同大小的卷积核,组成多尺度感受野,提高检测精度,但速度只有40FPS。这些方法往往通过牺牲精度来大量压缩参数达到提高检测速度的目的,导致无法为自动驾驶系统提供充足可靠的感知信息。因此平衡检测精度与速度是车道线检测的核心问题。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于卷积神经网络的车道线检测方法。
本发明解决其技术问题所采用的技术方案是:一种基于卷积神经网络的车道线检测方法,包括以下步骤:
1)获取车道线图像作为车道线检测模型的训练数据集;
2)对车道线图像进行数据增强;所述数据增强操作包括归一化、随机旋转、随机裁剪;
3)构建车道线检测模型;
所述车道线检测模型采用编码器-解码器作为基础架构,在编码器尾端再接一个车道线存在分支,模型的输入为训练数据集图片,输入图片经编码器进行特征提取得到特征图后,由解码器输出得到车道线像素概率图,车道线存在分支得到车道线存在概率;
4)将车道线图像输入至车道线检测模型中进行特征提取;
5)利用训练集图片训练车道线检测模型,调整模型超参数,使得模型损失值最小化;
6)根据训练好的车道线检测模型,输入待检测图片到车道线检测模型中,然后进行车道线检测。
按上述方案,所述步骤3)中编码器的网络结构如下:编码器包括3个下采样层、5个轻量级卷积模块和2个特征融合层;按照下采样层1、下采样层2、卷积模块1、卷积模块2、卷积模块3、卷积模块4,卷积模块5、下采样层3、特征融合层1和特征融合层2顺序相连。
按上述方案,所述步骤3)中解码器的网络结构如下:解码器包括3个反卷积层和4个轻量级卷积模块,按照反卷积层1、卷积模块6、卷积模块7、反卷积层2、卷积模块8,卷积模块9、反卷积层3顺序相连。
按上述方案,所述步骤3)中车道线分支由3层全连接层组成,最后一层神经元个数对应分类类别数。
按上述方案,所述步骤3)中轻量级卷积模块中利用通道分离操作将通道数分成相等的两部分,第一部分做恒等映射,第二部分用卷积核进行特征值提取,最后将两部分的特征图进行特征拼接(concat),然后重组;所述轻量级卷积模块中第二部分为3×3卷积核和非对称卷积核组成的串联结构。
按上述方案,所述步骤3)中特征融合层:每个特征融合层均由4个轻量卷积模块和一个1×1卷积组成,特征融合层的输入与四个卷积模块和1×1卷积进行串并联连接。此外为提高模型感受野,在4个轻量化卷积模块中引入空洞卷积,采样率依次为2、4、8、16。
按上述方案,所述步骤5)中训练过程如下:
5.1)使用小批量随机梯度下降训练网络,批大小为8,初始学习率为0.01,动量值为0.9,权重衰减为1e-4,采用“poly”的学习策略,其中,学习指数和最大迭代次数分别设置为0.9和100;
5.2)选取交叉熵损失函数作为解码器的损失函数,选取最大似然损失函数作为车道线存在分支的损失函数,输入训练样本对网络模型进行训练,根据损失函数的变化对超参数进行调整,使得模型达到最优解并保存相应权重。
按上述方案,所述步骤6)中解码器输出车道线像素概率图,对应N个类别,对应车道线数量与背景;车道线存在分支输出车道线存在概率值,对于概率值大于设定阈值的车道,将搜寻相关预测点的坐标(x,y),将输出的点集利用二次多项式对坐标进行拟合得到检测结果。
本发明产生的有益效果是:
1、本发明设计了一个高效的特征提取模块,能大幅减少了模型参数量和浮点数计算量,终模型单帧图像推理速度为12.2ms,优于当前其他语义分割车道线网络模型。
2、本发明设计的级联特征融合模块,将不同卷积层特征信息有效融合,能保留更多车道线像素细节,捕获特征图中长、中、短的车道线信息,以有效提高分类准确率,即便在复杂场景下也有较好表现。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的网络模型架构图;
图3是本发明实施例的轻量化特征提取模块示意图;
图4是本发明实施例的级联特征融合模块示意图;
图5是本发明实施例的车道线检测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于卷积神经网络的车道线检测方法,包括以下步骤:
1)获取车道线图像作为车道线检测模型的训练数据集;
2)对车道线图像进行数据增强;所述数据增强操作包括归一化、随机旋转、随机裁剪;
3)构建车道线检测模型;
所述车道线检测模型采用编码器-解码器作为基础架构,在编码器尾端再接一个车道线存在分支,模型的输入为训练数据集图片,输入图片经编码器进行特征提取得到特征图后,由解码器输出得到车道线像素概率图,车道线存在分支得到车道线存在概率;
如图2所示,编码器的网络结构如下:编码器包括3个下采样层、5个轻量级卷积模块和2个特征融合层;按照下采样层1、下采样层2、卷积模块1、卷积模块2、卷积模块3、卷积模块4,卷积模块5、下采样层3、特征融合层1和特征融合层2顺序相连。
解码器的网络结构如下:解码器包括3个反卷积层和4个轻量级卷积模块,按照反卷积层1、卷积模块6、卷积模块7、反卷积层2、卷积模块8,卷积模块9、反卷积层3顺序相连。
车道线分支由3层全连接层组成,最后一层神经元个数对应分类类别数。
如图2所示,输入图片经过数据增强后进入编码器,经过三次下采样、5次卷积模块特征提取和2次特征融合层后,输出特征图变为原图大小的1/8,包含丰富的特征信息。随后特征图同步进入解码器和车道线存在分支,经解码器输出为原图大小的概率图(n×H×W),n对应车道线类别数,H为图像高度,W为图像宽度,经车道线存在分支输出为概率值的一维向量(n×1)。
4)将车道线图像输入至车道线检测模型中进行特征提取;
如图3所示为轻量化特征提取模块shuffle-unit,即轻量级卷积模块,引入通道分离操作将输入通道数分成2个相等部分,左侧为恒等映射,右侧为3×3和非对称卷积核组成的串联结构,最后为促进信息交流,对特征拼接(concat)后的结果进行通道混洗(channelshuffle)。
如图4所示为特征融合模块包括,首先引用空洞卷积,在不降低分辨率损失的情况下扩大感受野范围,然后对四个shuffle-unit进行串联,采样率依次为2、4、8、16。这种不同采样率的串联结构能够获得更密集的采样,防止空洞卷积带来的棋盘效应。将特征融合层的输入与每个shuffle-unit的输出进行并联,以此来集成不同尺度感受野特征,捕获特征图中长、中、短的车道线信息。
5)利用训练集图片训练车道线检测模型,调整模型超参数,使得模型损失值最小化;
使用小批量随机梯度下降训练网络,批大小为8,初始学习率为0.01,动量值为0.9,权重衰减为1e-4。采用“poly”的学习策略,其中学习指数和最大迭代次数分别设置为0.9和100。采用交叉熵损失函数L1与最大似然损失函数L2分别作为特征提取分支与车道线存在分支的损失函数,赋予最大似然损失函数一个权重系数α,最终损失函数表达为:
L=L1+L2*α
6)根据训练好的车道线检测模型,输入待检测图片到车道线检测模型中,然后进行车道线检测。
解码器输出车道线像素概率图,对应N个类别,对应车道线数量与背景。车道线存在分支输出车道线存在概率值。对于概率值大于设定阈值的车道,将搜寻相关预测点的坐标(x,y),将输出的点集利用二次多项式进行拟合,得到可视化结果,如图5所示。
为验证本发明的实施实例,计算本发明所提算法在9场景下的F1指标与综合F1指标的大小,与当前几种先进的基于语义分割的车道线检测算法进行对比。选取CULane数据集进行训练,实验将数据集中的88880张图片作为训练集,9675张图片作为验证集,34680张图片作为测试集,分为正常和8个具有挑战性的类别。数据集内包括城市、农村和高速公路等场景。CULane数据集将F1指标作为评价指标;如表1所示,本发明所提方法综合F1指标最高。如表2所示本发明所提方法运行速度最快。
F1=(2×Preciosion×Recall)/(Precision+Recall)
表1不同算法在在IoU阈值为0.5的CULane数据集上的F1指标对比
表2不同算法参数量和运行时间对比
由此可见,本发明所提方法在速度最快的同时综合F1指标也最高,达到速度与精度的良好平衡。即使在资源有限的情况下也依然能够满足智能驾驶中实时性的要求。
图5为使用本发明模型的车道线检测效果图。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于卷积神经网络的车道线检测方法,其特征在于,包括以下步骤:
1)获取车道线图像作为车道线检测模型的训练数据集;
2)对车道线图像进行数据增强;所述数据增强操作包括归一化、随机旋转、随机裁剪;
3)构建车道线检测模型;所述车道线检测模型采用编码器-解码器作为基础架构,在编码器尾端再接一个车道线存在分支,模型的输入为训练数据集图片,输入图片经编码器进行特征提取得到特征图后,由解码器输出得到车道线像素概率图,车道线存在分支得到车道线存在概率;
其中,车道线检测模型中:
编码器的网络结构如下:编码器包括3个下采样层、5个轻量级卷积模块和2个特征融合层;按照下采样层1、下采样层2、卷积模块1、卷积模块2、卷积模块3、卷积模块4,卷积模块5、下采样层3、特征融合层1和特征融合层2顺序相连;
解码器的网络结构如下:解码器包括3个反卷积层和4个轻量级卷积模块,按照反卷积层1、卷积模块6、卷积模块7、反卷积层2、卷积模块8,卷积模块9、反卷积层3顺序相连;
所述车道线存在分支由3层全连接层组成,最后一层神经元个数对应分类类别数;
所述轻量级卷积模块中利用通道分离操作将通道数分成相等的两部分,第一部分做恒等映射,第二部分用卷积核进行特征值提取,最后将两部分的特征图进行特征拼接,然后重组;所述轻量级卷积模块中第二部分为3×3卷积核和非对称卷积核组成的串联结构;
每个特征融合层均由4个轻量级卷积模块和一个1×1卷积组成,特征融合层的输入与四个卷积模块和1×1卷积进行串并联连接;
具体为:对四个卷积模块进行串联,将特征融合层的输入与每个卷积模块的输出进行并联,并联后的输出然后与1×1卷积进行串联;
4)将车道线图像输入至车道线检测模型中进行特征提取;
5)利用训练集图片训练车道线检测模型,调整模型超参数,使得模型损失值最小化;
6)根据训练好的车道线检测模型,输入待检测图片到车道线检测模型中,然后进行车道线检测。
2.根据权利要求1所述的基于卷积神经网络的车道线检测方法,其特征在于,4个轻量级卷积模块中引入空洞卷积,采样率依次为2、4、8、16。
3.根据权利要求1所述的基于卷积神经网络的车道线检测方法,其特征在于,所述步骤5)中训练过程如下:
5.1)使用小批量随机梯度下降训练网络,批大小为8,初始学习率为0.01,动量值为0.9,权重衰减为1e-4,采用“poly”的学习策略,其中,学习指数和最大迭代次数分别设置为0.9和100;
5.2)选取交叉熵损失函数作为解码器的损失函数,选取最大似然损失函数作为车道线存在分支的损失函数,输入训练样本对网络模型进行训练,根据损失函数的变化对超参数进行调整,使得模型达到最优解并保存相应权重。
4.根据权利要求1所述的基于卷积神经网络的车道线检测方法,其特征在于,所述步骤6)中解码器输出车道线像素概率图,对应N个类别,对应车道线数量与背景;车道线存在分支输出车道线存在概率值,对于概率值大于设定阈值的车道,将搜寻相关预测点的坐标(x,y),将输出的点集利用二次多项式对坐标进行拟合得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011579.8A CN113780132B (zh) | 2021-08-31 | 2021-08-31 | 一种基于卷积神经网络的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011579.8A CN113780132B (zh) | 2021-08-31 | 2021-08-31 | 一种基于卷积神经网络的车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780132A CN113780132A (zh) | 2021-12-10 |
CN113780132B true CN113780132B (zh) | 2023-11-24 |
Family
ID=78840254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011579.8A Active CN113780132B (zh) | 2021-08-31 | 2021-08-31 | 一种基于卷积神经网络的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780132B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387582A (zh) * | 2022-01-13 | 2022-04-22 | 福州大学 | 一种在不良光照条件下的车道检测方法 |
CN114463720B (zh) * | 2022-01-25 | 2022-10-21 | 杭州飞步科技有限公司 | 一种基于线段交并比损失函数的车道线检测方法 |
CN114782915B (zh) * | 2022-04-11 | 2023-04-07 | 哈尔滨工业大学 | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 |
CN115565148B (zh) * | 2022-11-09 | 2023-04-18 | 福思(杭州)智能科技有限公司 | 道路图像的检测方法、装置、存储介质和电子装置 |
CN116011515B (zh) * | 2022-12-26 | 2024-01-26 | 人民网股份有限公司 | 几何神经网络模型构建方法、装置、设备及存储介质 |
CN117576649B (zh) * | 2023-12-26 | 2024-04-30 | 华东师范大学 | 一种基于分割点和双特征增强的车道线检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276267A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 |
CN111242037A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 基于结构信息的车道线检测方法 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及系统 |
CN111507270A (zh) * | 2020-04-18 | 2020-08-07 | 王烟烟 | 基于区块链与深度学习的车辆违法行为检测系统 |
CN113129240A (zh) * | 2021-05-19 | 2021-07-16 | 广西师范大学 | 一种工业包装字符的去运动模糊方法 |
CN113158810A (zh) * | 2021-03-24 | 2021-07-23 | 浙江工业大学 | 一种基于ENet改进的轻量实时车道线分割方法 |
-
2021
- 2021-08-31 CN CN202111011579.8A patent/CN113780132B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276267A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 |
CN111242037A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 基于结构信息的车道线检测方法 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及系统 |
CN111507270A (zh) * | 2020-04-18 | 2020-08-07 | 王烟烟 | 基于区块链与深度学习的车辆违法行为检测系统 |
CN113158810A (zh) * | 2021-03-24 | 2021-07-23 | 浙江工业大学 | 一种基于ENet改进的轻量实时车道线分割方法 |
CN113129240A (zh) * | 2021-05-19 | 2021-07-16 | 广西师范大学 | 一种工业包装字符的去运动模糊方法 |
Non-Patent Citations (1)
Title |
---|
基于事件驱动的车道线识别算法研究;徐频捷 等;《电子学报》;第49卷(第7期);第1379-1385页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780132A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780132B (zh) | 一种基于卷积神经网络的车道线检测方法 | |
CN108509978B (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN107169954B (zh) | 一种基于并行卷积神经网络的图像显著性检测方法 | |
CN112861690B (zh) | 多方法融合的遥感影像变化检测方法及系统 | |
CN111582092B (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
CN111046964A (zh) | 一种基于卷积神经网络的人和车辆红外热图像识别方法 | |
CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
CN112700418B (zh) | 一种基于改进编解码网络模型的裂缝检测方法 | |
CN110717921B (zh) | 改进型编码解码结构的全卷积神经网络语义分割方法 | |
CN111832453B (zh) | 基于双路深度神经网络的无人驾驶场景实时语义分割方法 | |
CN112580661B (zh) | 一种深度监督下的多尺度边缘检测方法 | |
CN111476249A (zh) | 多尺度大感受野卷积神经网络的构建方法 | |
CN107578091A (zh) | 一种基于轻量级深度网络的行人车辆实时检测方法 | |
CN112541460B (zh) | 一种车辆再识别方法及系统 | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN112132145A (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及系统 | |
CN113052057A (zh) | 一种基于改进卷积神经网络的交通标志识别方法 | |
CN112861727A (zh) | 一种基于混合深度可分离卷积的实时语义分割方法 | |
CN113066089A (zh) | 一种基于注意力引导机制的实时图像语义分割网络 | |
CN112836573A (zh) | 一种基于对抗生成网络的车道线图像增强与补全方法 | |
CN113139551A (zh) | 一种基于DeepLabv3+的改进语义分割方法 | |
CN113361466B (zh) | 一种基于多模态交叉指导学习的多光谱目标检测方法 | |
CN114693966A (zh) | 一种基于深度学习的目标检测方法 | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |