基于深度神经网络的连续驾驶场景鲁棒车道检测
计算机视觉与模式识别
2020-04-30 v2
摘要
驾驶场景中的车道检测是自动驾驶车辆和高级驾驶辅助系统的重要模块。近年来,许多精细的车道检测方法被提出。然而,大多数方法侧重于从单幅图像中检测车道,在处理重阴影、严重标线退化、严重车辆遮挡等极端恶劣情况时往往表现不佳。事实上,车道是道路上连续的线状结构。因此,在当前帧中无法准确检测到的车道,有可能通过融合前几帧的信息推断出来。为此,我们利用连续驾驶场景的多帧图像研究车道检测,并提出一种结合卷积神经网络(CNN)与循环神经网络(RNN)的混合深度架构。具体而言,每帧信息由一个 CNN 模块抽象,多个连续帧的 CNN 特征具有时间序列特性,随后被输入 RNN 模块以进行特征学习与车道预测。在两个大规模数据集上的大量实验表明,所提方法在车道检测上优于对比方法,尤其在应对困难场景时。
引用
@article{arxiv.1903.02193,
title = {Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks},
author = {Qin Zou and Hanwen Jiang and Qiyu Dai and Yuanhao Yue and Long Chen and Qian Wang},
journal= {arXiv preprint arXiv:1903.02193},
year = {2020}
}
备注
IEEE Transactions on Vehicular Technology, 69(1), 2020