基于深度学习的连续帧车道线检测网络

摘要：

为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题.本文提出了一种基于连续帧的车道线检测网络,实现了卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory,LSTM)的融合.首先,编码器CNN对连续帧进行特征提取,生成多尺度特征映射;其次,输入对应的双层ConvLSTM网络,捕获连续帧的时空信息;最后,捕获的时空信息在解码器CNN中进行多尺度特征融合,产生车道线预测的分割图.实验结果表明,所提网络的准确率、召回率和F1值较高,分别达到了 85.8％、96.1％和90.0％,总体上F1相对于原始CNN网络提高了约4％,在某些复杂路况下F1的提升在10％以上.与其它网络相比,本文提出的网络具有较高的准确率、召回率和F1值,同时运行时间并没有大幅增加,实时性得到保障.

关键词：车道线检测;卷积神经网络;LTSM;多尺度特征融合

所属期刊栏目：11

分类号：TP391(计算技术、计算机技术)

在线出版日期：2021-09-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：5-13