基于全卷積神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)

王帥帥，劉建國(guó)，紀(jì) 郭

(1.武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430070；2.武漢理工大學(xué) 汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430070)

在智能輔助駕駛系統(tǒng)領(lǐng)域，車道線檢測(cè)一直是智能輔助駕駛系統(tǒng)中重要的組成部分。車道線檢測(cè)的效果對(duì)后續(xù)的車道保持系統(tǒng)和車道偏離預(yù)警系統(tǒng)等都有著至關(guān)重要的作用?；趥鹘y(tǒng)圖像處理方法的車道線檢測(cè)，易受光照、障礙物遮擋、路面破損等自然因素的影響，導(dǎo)致車道線分割準(zhǔn)確率下降，且不能提供場(chǎng)景的語(yǔ)義描述信息。常用的方法有Hough變換的方法[1]，RGB顏色特征的方法[2]和卡方統(tǒng)計(jì)的方法[3]，這些方法雖然在一定程度上提升了結(jié)構(gòu)化路面的車道線識(shí)別精度，但對(duì)車道線的定位和邊緣分割的精確度遠(yuǎn)不及目前很多結(jié)合深度學(xué)習(xí)的方法。由于神經(jīng)網(wǎng)絡(luò)天生具備擬合任意復(fù)雜函數(shù)的特點(diǎn)和強(qiáng)大的表征能力，所以可以做非常復(fù)雜的非線性映射并且可以實(shí)現(xiàn)圖像的淺層以及深層的語(yǔ)義信息分割，因此結(jié)合深度學(xué)習(xí)的方法更加勝任復(fù)雜情景下的車道線檢測(cè)任務(wù)。自2012年開始越來越多的研究人員將深度學(xué)習(xí)應(yīng)用于圖像處理，并取得了不錯(cuò)的效果。圖像語(yǔ)義分割技術(shù)也從基于隨機(jī)森林(random forest, RF)分類器的分割方法[4]轉(zhuǎn)變?yōu)榛诰矸e神經(jīng)網(wǎng)絡(luò)的分割方法。從2015年提出的全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional network，F(xiàn)CN)[5]到2016年提出的Deeplab網(wǎng)絡(luò)[6]，再到2017年提出的large kernel matters[7]網(wǎng)絡(luò)等研究，都在不斷地刷新圖像語(yǔ)義分割的記錄，并且為今后深度學(xué)習(xí)的應(yīng)用奠定了基礎(chǔ)?！?br>