江苏大学学报(自然科学版)

作者：范英，石磊，苏伟伟，闫浩

单位：太原科技大学 车辆与交通工程学院， 山西 太原 030024

关键词：车道线检测, 深度学习, 卷积神经网络, 语义分割, PINet, CULane数据集

基金：山西省重点研发计划项目(201903D121176)

实例点网络（point instance network，PINet）在物体遮挡、光照变化和阴影干扰等场景中检测准确性高，但实时性表现不佳.在保证PINet模型精度的前提下，为提升网络的推理速度，提出一种结合循环特征移位聚合器（recurrent feature-shift aggregator，RESA）算法的车道线检测模型.通过算力分析，只采用1个瓶颈网络(bottle-neck)作为预测网络（predicting network），目的是为了去除冗余的多尺度操作，以加快模型的推理速度.为了弥补模块剪枝造成的精度下降，引入了RESA模块以捕获图像中跨行、列的空间信息，增强骨干网络提取到的车道线特征.将改进后的模型在Tusimple、CULane、Custom数据集上进行测试.结果表明：改进后的网络模型在物体遮挡、光照变化、阴影干扰等多种复杂场景下表现突出，对车道分割准确率、实时处理速度有大幅改善，检测识别效果优于传统PINet网络算法,除F1指标提升较小外，推理速度在3个数据集下分别提升20.3%、52.9%及13.9%.

来源：2023年第4期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2023年第4期