基于深度学习的自动驾驶道路信息检测方法研究.pdf

摘要

自动驾驶能够有效解决传统汽车出行存在的弊端，提高交通效率、降低交通

事故率。这对日常出行方式智能化发展和人们生活质量的提高有着重要作用。其

中，道路信息的检测是判断自动驾驶车辆能否安全平稳行驶的关键。常见道路信

息检测分为道路目标检测和车道线检测，实际道路的复杂场景使道路目标检测存

在漏检、误检现象，车道线检测存在远处车道线检测不准确、检测点不稳定现象，

且大多数道路信息检测研究是针对单一任务进行的。因此，如何在避免上述检测

问题的同时，利用有限的车载资源实现道路目标检测和车道线检测多个任务共同

实现，是目前自动驾驶技术的研究重点。针对以上问题，对道路目标检测和车道

线检测分别展开研究，解决了目标漏检、误检现象和车道线检测不稳定问题。并

且设计了基于深度学习的多任务网络模型，实现车道线检测和目标检测同时处理。

主要研究内容包括:

1.针对道路目标漏检、误检问题，设计了一种基于全维动态卷积的道路目标

检测算法。该方法使用全维动态卷积和改进的解耦头结构来增强特征提取能力，

加快模型收敛速度，从而能够更精准的检测出自动驾驶场景中的各类目标。与此

同时，优化模型在复杂场景下的性能，提出EIOU损失函数来代替原有CIOU损

失函数，并且加入Focalloss聚焦优质的锚框。实验结果表明全维动态卷积目标

检测算法能够更准确的识别复杂场景下的各个目标，提高了自动驾驶场景中目标

检测的精确性。

2.针对远处车道线检测不准确、检测点不稳定问题，引入混合锚框机制，对

于不同车道线采用不同锚框进行表示，有效改善了检测点不稳定现象，由于模型

参数量较大易引起信息过载，添加空间注意力机制，使网络聚焦关键特征信息的

分析，提升对有价值图像特征的提取能力。此外，由于平均定位误差较高，采用

有序分类损失，利用顺序关系的先验性，降低平均定位误差，提升了模型性能。

3.针对车载资源有限、数据难以同步问题，提出多任务道路信息检测模型。

从道路信息检测任务需求出发，充分利用两种道路信息检测任务之间的耦合关系，

令两个子任务共享网络前端部分参数，在网络后端针对单一任务建立不同输出层。

实验表明多任务网络能够同时完成道路目标检测和车道线检测任务。

4.道路信息检测软件设计与实现。基于PyQt5和QtDesigner设计了道路信

息检测软件应用系统，共包含5个模块，具有用户登录模块、系统主界面模块、

图片检测模块、视频检测模块、检测结果呈现与管理模块，实现了道路信息检测

的人机交互功能。

关键词：自动驾驶,道路目标检测,车道线检测,多任务

Abstract

Autonomousdrivingcaneffectivelysolvethedrawbacksoftraditionalcartravel,

improvetrafficefficiencyandreducetherateoftrafficaccidents.Thisplaysan

importantroleintheintelligentdevelopmentofdailytravellingmethodsandthe

improvementofpeoplesqualityoflife.Amongthem,thedetectionofroad

informationisthekeytodeterminewhethertheself-drivingvehiclecandrivesafely

andsmoothly.Commonroadinformationdetectionisdividedintoroadtarget

detectionandlanelinedetection,thecomplexsceneoftheactualroadmakestheroad

targetdetectionthereareleakagedetection,misdetectionphenomenon,laneline

detectionthereareinaccuratedetection