基于双分支分解卷积的夜间车道线检测方法OA

目的车道线检测作为自动驾驶系统的核心功能之一,对于确保车辆安全行驶至关重要。然而,当前基于分割的检测方法在速度和性能之间存在明显不平衡,尤其在夜间场景下更为突出。针对这一挑战,提出一种名为DecoLaneNet的夜间车道线检测模型。方法首先,设计一种高效的特征提取模块,采用分解卷积构建具有不同大小感受野的双分支分解卷积残差结构,在尽可能保证性能的情况下大幅减少模型的参数量,更准确地提取车道线特征;接着,运用通道重排技术和扩张卷积弥补性能损失,并增加感受野;最后,引入双分支上采样模块进行特征解码,显著提升了模型的分割精度。结果在夜间场景数据集Night和包含多种交通场景的车道检测数据集CULane上进行了广泛评估,DecoLaneNet的F1评分,在Night数据集上达到了74.7%,在CULane数据集上达到了71.5%。值得一提的是,尽管模型参数仅有1.94 M,但在Jetson开发板上,其帧率(FPS)仍能达到62.5。结论实验结果表明,DecoLaneNet不仅在夜间场景下表现出优异的性能,在应对其他复杂场景时同样表现出色。此外,在部署到嵌入式设备上时,其性能与效率仍然优于其他模型,显示出了出色的潜力与可行性。