基于多層感知器的端到端車道線檢測(cè)算法

王月鑫，伍鵬, ，周沛，葉旭，周順平

（1 長(zhǎng)江大學(xué) 電子信息學(xué)院，荊州 434023；2 中國(guó)地質(zhì)大學(xué)（武漢）工程學(xué)院，武漢 430074；3 中國(guó)地質(zhì)大學(xué)（武漢）國(guó)家地理信息系統(tǒng)工程技術(shù)研究中心，武漢 430074）

近年來，隨著計(jì)算機(jī)視覺和人工智能的快速發(fā)展，傳統(tǒng)的汽車行業(yè)與這些先進(jìn)的技術(shù)結(jié)合得越來越緊密，車道線檢測(cè)技術(shù)廣泛應(yīng)用于車道偏離預(yù)警［1］、自適應(yīng)巡航控制［2-3］、交通理解［4］等領(lǐng)域中 .此外自動(dòng)駕駛技術(shù)也受到了大量關(guān)注，能否準(zhǔn)確高效地識(shí)別出車道線是實(shí)現(xiàn)高級(jí)別自動(dòng)駕駛的關(guān)鍵一步.所以高效準(zhǔn)確的車道線檢測(cè)技術(shù)具有重要的工程應(yīng)用價(jià)值.

生活中常見的車道線是一種細(xì)長(zhǎng)的管狀結(jié)構(gòu)，具有較強(qiáng)的形狀特性［5］，傳統(tǒng)的車道線檢測(cè)方法通常先手工操作提取特征［6-7］，再通過 Hough 變換［8-9］、隨機(jī)采樣一致性［10-12］等后處理來擬合線形車道，這種檢測(cè)模型魯棒性差，無法適應(yīng)不同環(huán)境下的車道線檢測(cè).目前對(duì)于車道線檢測(cè)的研究主要集中于基于深度學(xué)習(xí)的檢測(cè)算法，有四種主流方案，即圖像分割方案［4，13-15］，逐行分類方案［16-17］，多項(xiàng)式擬合方案［5，18］和基于錨的方案［19-20］.

圖像語義分割被廣泛應(yīng)用于街景識(shí)別、目標(biāo)檢測(cè)中［21］，將車道線檢測(cè)看成一個(gè)圖像分割問題，如SCNN［4］利用圖像分割模型分割出車道線，使用消息傳遞，以及額外的場(chǎng)景注釋來捕獲全局上下文信息提高準(zhǔn)確率，具有比傳統(tǒng)圖像處理方法更強(qiáng)的語義表示能力，但密集的像素級(jí)通信，需要大量的計(jì)算資源，導(dǎo)致算法的處理效率低；基于逐行分類的方案是將車道線看成一系列的行錨，如文獻(xiàn)［17］在處理過程中對(duì)道路圖像每行檢測(cè)出一個(gè)像素屬于車道線，相較于圖像分割算法，減少了計(jì)算量，提高了推理速度，但此方法的泛用性較低，無法適應(yīng)多環(huán)境下的車道線檢測(cè)；基于多項(xiàng)式擬合的方案，是將車道線看成曲線，直接對(duì)參數(shù)進(jìn)行學(xué)習(xí)，每條車道線輸出一個(gè)多項(xiàng)式，如LSTR［5］將每條車道線視為一個(gè)三次曲線，利用TransFormer［22］強(qiáng)大的編碼和解碼能力，擬合出每條車道線對(duì)應(yīng)的參數(shù)，在推理速度上有所提升，但準(zhǔn)確率并沒有優(yōu)于其他方法；基于錨的方案，如LaneATT［20］將每條車道線都表示為一條直線的錨和錨的橫向偏移.與逐行分類方案類似，這種方法利用了一定的先驗(yàn)知識(shí)，即車道線通常是直的，然而固定錨的形狀導(dǎo)致描述線性形狀的自由度很低，因此對(duì)于彎曲路況的預(yù)測(cè)結(jié)果較差.

此外在光線變化、霧天雨天、車輛行人遮擋等復(fù)雜環(huán)境下完成車道線檢測(cè)，不僅需要考慮車道線的局部信息，更需要對(duì)車道線進(jìn)行更高層次的語義分析，進(jìn)行全局結(jié)構(gòu)信息提取.近期，許多對(duì)多層感知器［23-26］（Multi Layer Perceptron，簡(jiǎn)稱MLP）的研究表明，MLP 能夠較好的提取圖像的全局語義信息，但在局部語義信息的提取上沒有達(dá)到好的效果，且文獻(xiàn)CycleMLP［23］在圖像分割等計(jì)算機(jī)視覺的下游任務(wù)中獲得了很好的效果，而文獻(xiàn)［24，27-28］中通過結(jié)構(gòu)重參數(shù)化技術(shù)實(shí)現(xiàn)訓(xùn)練與推理的解耦，在不犧牲推理速度的情況下?lián)Q來了不錯(cuò)的精度提升，如Rep-MLP［24］模型，訓(xùn)練時(shí)在其內(nèi)部構(gòu)建組卷積層獲取局部信息，將重參數(shù)化技術(shù)與MLP 結(jié)合，此方法在模式識(shí)別中獲得了較好的效果.

在借鑒已有的車道線檢測(cè)方法的基礎(chǔ)上，結(jié)合車道線的全局結(jié)構(gòu)特征和局部語義信息，提出了一種簡(jiǎn)單高效的基于多層感知器的車道線檢測(cè)方法，該方法能快速、準(zhǔn)確地檢測(cè)出車道線.本文的創(chuàng)新點(diǎn)在于以下3點(diǎn)：

（1）提出了一種新的基于MLP 的車道線檢測(cè)算法LaneMLP，將MLP 與重參數(shù)化技術(shù)應(yīng)用于車道線檢測(cè)，提高了端到端的車道線檢測(cè)效率.

（2）提出了一種新的逐行分類的長(zhǎng)線型檢測(cè)模型，此模型在在預(yù)處理階段降低了計(jì)算量提高模型的推理速度，為實(shí)際運(yùn)用提供了更高的可行性.

（3）本文模型在檢測(cè)速度和準(zhǔn)確率上都有較大提升，使用本文模型在CULane 數(shù)據(jù)集上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明：在推理速度超過每秒350 幀的情況下，檢測(cè)準(zhǔn)確率達(dá)到了76.8%，與目前已提出的方案相比具有很強(qiáng)的競(jìng)爭(zhēng)力.

1 基于MLP的車道線檢測(cè)模型

給定一張待檢測(cè)圖片 I ∈ RC×H×W，其中 C，H，W分別表示圖像的通道數(shù)，高度和寬度；目標(biāo)是檢測(cè)出所有構(gòu)成車道線的點(diǎn)集：

其中：N 表示待檢測(cè)圖片中的車道線數(shù)目，k 表示圖像中每條車道線的最大采樣數(shù)，將檢測(cè)到的點(diǎn)顯示在圖像上，實(shí)現(xiàn)端到端的車道線檢測(cè).

LaneMLP 算法模型主要由兩部分組成，分別為全局感知器和局部感知器，如圖1所示.全局感知器（具體介紹見1.2 節(jié)）主要由具有殘差連接的MLP 模塊組成，該模塊的輸入為圖像I 經(jīng)過逐行分類模型（具體介紹見1.1 節(jié)）預(yù)處理后得到圖像 I′ ∈ RY×X，其中Y，X 分別表示預(yù)處理后圖像高和寬的柵格數(shù)量；局部感知器（具體介紹見1.3）主要由分組卷積模塊gConv 構(gòu)成，該模塊有四個(gè)并行的二維卷積，對(duì)輸入圖像I 進(jìn)行局部信息提取.最后將特征數(shù)據(jù)通過線性分類層實(shí)現(xiàn)柵格的分類，整個(gè)模型的輸出為構(gòu)成車道線所有點(diǎn)的集合.需要注意的是在模型訓(xùn)練階段線性分類層的輸入為全局感知器和局部感知器的特征張量的疊加，在模型推理階段線性分類層的輸入為全局感知器的特征張量.訓(xùn)練過程的具體計(jì)算如式（2）和式（3）：

圖1 LaneMLP結(jié)構(gòu)模型Fig.1 Model of the LaneMLP algorithm

其中MLP 表示對(duì)圖像進(jìn)行多層感知器處理，gConv表示組卷積操作，AvePooling 表示平均池化，⊕表示特征張量的疊加，Linear表示線性層.

推理過程中無需組卷積操作，故推理過程中需將式（2）轉(zhuǎn)換為式（4），最后經(jīng)線性分類輸出.

1.1 逐行分類模型

文獻(xiàn)［17］中的逐行分類模型UFASTResNet 是以錨點(diǎn)的形式對(duì)每一幀圖像的固定錨點(diǎn)進(jìn)行分類，判斷是否屬于車道線，同時(shí)在模型的右側(cè)引入了一列背景錨點(diǎn)來表示這一行是否存在車道線，這種框架式模型對(duì)圖像的結(jié)構(gòu)信息有較好的表達(dá)能力，但忽略了圖像的局部語義信息，使其在復(fù)雜環(huán)境中檢測(cè)效果差.因此提出一種新的逐行分類模型，如圖2所示，將輸入圖像分成Y×X個(gè)柵格，Y=H h，X=W w其中h，w 分別表示每個(gè)柵格的高和寬.對(duì)于車道線在垂直方向上存在的范圍，可以引入?yún)?shù)V來表示，通過一個(gè)線性層［29］訓(xùn)練參數(shù).

圖2 逐行分類模型Fig.2 Model of the row-wise classification

通過這種新的逐行分類模型，車道線檢測(cè)任務(wù)可以看成一個(gè)V 行的分類任務(wù)，每行進(jìn)行X 個(gè)類別為N + 1的分類操作，判斷V × X 個(gè)柵格是否屬于車道線以及屬于第幾條車道線，與逐像素的分割模型相比，該模 型 的計(jì)算量由 H × W 降為 V × X，而V ? H，X ? W.以 CULane 數(shù)據(jù)集［4］為例，在數(shù)據(jù)規(guī)模設(shè)置相同的情況下，SCNN 模型的計(jì)算量為2.8 × 106，本文模型的計(jì)算量約為 2.8 × 104，可見在預(yù)處理階段降低了模型的計(jì)算量.

該模型既保留了UFASTResNet 模型提取全局的結(jié)構(gòu)信息的優(yōu)勢(shì)，又可以與MLP 模塊和分組卷積模塊結(jié)合，增強(qiáng)模型提取局部語義信息的能力，從而提高復(fù)雜環(huán)境下的車道線檢測(cè).

1.2 全局感知器

全局感知器的算法模型如圖3 所示，該模型首先對(duì)預(yù)處理后的圖像I′進(jìn)行柵格編碼操作，以V × X個(gè)不重疊的柵格作為輸入，其中每個(gè)柵格的大小為h × w，在構(gòu)建模型時(shí)默認(rèn)值設(shè)置為h = w = 10.柵格通過一次二維卷積操作，二維卷積的輸入維度為Rhw×VX×C輸出維度為 RV×X×l，卷積核大小為 h × w，水平步長(zhǎng)為w，垂直步長(zhǎng)為h，即對(duì)每個(gè)柵格提取一個(gè)長(zhǎng)度為l 的特征編碼（Token），再沿X 方向?qū)⑻卣鲝埩繅浩降玫?M ∈ RVX×l，之后 M 通過 F 個(gè) MLP 模塊，其中MLP 模塊由兩個(gè)連續(xù)子層組成，如圖4所示.

圖3 全局感知器算法模型Fig.3 Model of the global perceptron

圖4 MLP算法流程Fig.4 Flow chart of the MLP block

對(duì)于兩個(gè)子層，分別為在跨柵格操作的線性層（Cross-grid 層）和在跨通道操作的前饋層（Cross-channel 層），圖4 中，每個(gè)子層間都有一個(gè)殘差連接［30］，且通常在進(jìn)入每個(gè)子層前都會(huì)先經(jīng)過標(biāo)準(zhǔn)化處理，如層標(biāo)準(zhǔn)化（Layer Normalization），本文采用仿射變換［26］替換標(biāo)準(zhǔn)化處理，此操作對(duì)每個(gè)子塊的輸入和輸出進(jìn)行縮放和移動(dòng)，定義為：Affine(x) =Diag(α)x + β，其中α，β 為可訓(xùn)練的參數(shù)，訓(xùn)練中初始化為α = 1，β = 0，在使用仿射操作時(shí)，將獨(dú)立的應(yīng)用于輸入數(shù)據(jù)的每一列，與標(biāo)準(zhǔn)化處理不同，該仿射變換不依賴于任何批處理信息，可以使訓(xùn)練更穩(wěn)定.

激活函數(shù)GeLU［31］，在非線性變換中引入隨機(jī)正則化，提高模型的泛化能力，定義如式（5）：

其中Φ(x)為正態(tài)分布的概率函數(shù)，可以采用正態(tài)分布 N(0，1)，也可以采用一般正態(tài)分布 N(μ，σ)，將μ，σ 視為可訓(xùn)練參數(shù)，當(dāng)輸入為標(biāo)準(zhǔn)正態(tài)分布時(shí)可簡(jiǎn)化為：

總體而言，對(duì)于MLP 模塊中的子層有如下轉(zhuǎn)換關(guān)系：

其中A，B，C 為該子層中的主要可訓(xùn)練權(quán)重，*為矩陣相乘，Affine(·)為仿射變換，(·)T為矩陣轉(zhuǎn)置.

1.3 局部感知器

局部感知器模塊如圖5 所示，先由4 個(gè)不同的并行卷積構(gòu)成一個(gè)卷積組［24］，再在每個(gè)卷積層處理后連接一個(gè)批標(biāo)準(zhǔn)化［27-28］，輸入為原始圖像I，輸出為4 個(gè)特征張量的和.對(duì)于卷積核的大小需要滿足k ＜ min{h，w}，取4組卷積核，分別為1 × 1，3 × 3，5 ×5，7 × 7，為保持卷積處理后得到的特征圖具有相同的分辨率，分別設(shè)置4個(gè)填充參數(shù)padding = 0，1，2，3.該模塊通過不同的感受野提取輸入圖像的局部語義信息，作為訓(xùn)練階段的輔助信息幫助訓(xùn)練，從而獲得更好的參數(shù).

圖5 局部感知器算法模型Fig.5 Model of the local perceptron

需要注意的是，局部感知器僅僅在訓(xùn)練過程中使用，推理時(shí)只使用全局感知器進(jìn)行預(yù)測(cè)，因此加入局部感知器不影響模型的推理速度，這是本文模型推理速度快的一個(gè)重要原因.

1.4 損失函數(shù)

對(duì)于車道線被遮擋部分，很難利用局部的語義信息進(jìn)行車道線的檢測(cè)，考慮車道是一種細(xì)長(zhǎng)的條形線，相鄰的車道線保持相似的曲率，因此可以利用全局的結(jié)構(gòu)信息來盡可能的恢復(fù)被遮擋的車道線［17］，通過結(jié)構(gòu)損失函數(shù)進(jìn)行約束車道線的全局結(jié)構(gòu)信息，其定義如下：

首先在車道圖像輸入后需要對(duì)柵格進(jìn)行分類操作，分類損失函數(shù)定義為式（10）：

其中 Ti，j，Pi，j分別表示第 i 條車道線在第 j 行的獨(dú)熱碼標(biāo)簽和預(yù)測(cè)概率，Pi，j的維度為X.

其次考慮在一條車道線中構(gòu)成車道線的點(diǎn)之間是連續(xù)的，計(jì)算所有相鄰預(yù)測(cè)點(diǎn)的L1范數(shù)和，抑制預(yù)測(cè)結(jié)果的分散，使檢測(cè)的車道線更加平滑，其相似度損失函數(shù)定義為式（11）：

根據(jù)實(shí)際的車道線分析，大多數(shù)車道線都是直線，故使用二階差分方程來進(jìn)一步約束車道線的形狀，實(shí)現(xiàn)語義上的車道線檢測(cè)，如被遮擋部分，其形狀損失函數(shù)定義為式（12）：

最后垂直車道線范圍是通過逐行預(yù)測(cè)車道線是否通過當(dāng)前行來確定的.使用Softmax 損失函數(shù)（Softmax+交叉熵?fù)p失函數(shù)），如式（13）：

其中vj表示第j 行存在車道線的概率，yjgt為第j 行是否存在車道線的標(biāo)簽.

綜上所述，本文所使用的損失函數(shù)定義為：

其中λ，μ，γ 為損失系數(shù)，訓(xùn)練中分別初始化為λ =0.6，μ = 0.2，γ = 0.2.

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)配置

2.1.1 實(shí)驗(yàn)數(shù)據(jù)集與設(shè)備

為驗(yàn)證本文所提出的方法，分別在TuSimple［32］和CULane 兩個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證.TuSimple 是一個(gè)廣泛使用的高速公路駕駛場(chǎng)景數(shù)據(jù)集，其場(chǎng)景較為簡(jiǎn)單.CULane 數(shù)據(jù)集環(huán)境較復(fù)雜，有9 個(gè)不同的場(chǎng)景.兩個(gè)數(shù)據(jù)集的詳細(xì)信息如表1所示.實(shí)驗(yàn)中使用Python 3.7 作為開發(fā)語言，使用PaddlePaddle 2.1.2 作為深度學(xué)習(xí)框架.硬件配置為：4 核Intel（R）Xeon（R）Gold 6271C CPU @ 2.60GHz、32GB RAM、顯卡Telsa V100×4，顯存32GB.

表1 實(shí)驗(yàn)數(shù)據(jù)集Tab.1 Datasets of experiments

關(guān)于實(shí)驗(yàn)數(shù)據(jù)集的車道線標(biāo)注如圖6 所示，其中第一行為Tusimple 數(shù)據(jù)集，其余均為CULane 數(shù)據(jù)集.

圖6 數(shù)據(jù)原圖與標(biāo)注Fig.6 Original datasets with annotation

2.1.2 算法評(píng)價(jià)標(biāo)準(zhǔn)

對(duì)于Tusimple數(shù)據(jù)集，使用官方［32］的評(píng)價(jià)指標(biāo)，準(zhǔn)確率計(jì)算公式如式（15）：

其中，Npred是預(yù)測(cè)車道點(diǎn)的數(shù)量，Ngt是標(biāo)記車道點(diǎn)的數(shù)量，如果預(yù)測(cè)的點(diǎn)與標(biāo)簽的距離在20個(gè)像素點(diǎn)以內(nèi)即認(rèn)為預(yù)測(cè)結(jié)果正確.

對(duì)于CULane 數(shù)據(jù)集，采用SCNN 所使用的評(píng)價(jià)指標(biāo)，將車道標(biāo)記視為一條寬度為30 像素的線，取預(yù)測(cè)車道線與標(biāo)簽之間的交并比（IoU），對(duì)于IoU 大于0.5的被認(rèn)為是正確的預(yù)測(cè)，其F1-measure計(jì)算如式（16）：

示真陽性率即被正確預(yù)測(cè)的車道點(diǎn)的數(shù)量，同理FP表示假陽性率，F(xiàn)N表示假陰性率.

2.1.3 實(shí)驗(yàn)的詳細(xì)參數(shù)配置

訓(xùn)練圖像尺寸為560 × 1000，原始數(shù)據(jù)通過隨機(jī)縮放、旋轉(zhuǎn)、顏色抖動(dòng)和水平翻轉(zhuǎn)進(jìn)行數(shù)據(jù)增強(qiáng).使用的優(yōu)化器為AdamW，權(quán)重衰減率設(shè)置為0.01，使用余弦衰減學(xué)習(xí)率，在前30 輪中，學(xué)習(xí)率從4 ×10-4增加到4 × 10-3，在剩余的輪次中學(xué)習(xí)率衰減至4 × 10-5，λ，μ，γ 為損失系數(shù)分別設(shè)為 0.6，0.2，0.2，批大小設(shè)置為64，對(duì)于TuSimple數(shù)據(jù)集訓(xùn)練200輪，CULane 數(shù)據(jù)集訓(xùn)練300 輪，除消融實(shí)驗(yàn)外，參數(shù)設(shè)置在所有實(shí)驗(yàn)中都相同.

2.2 消融實(shí)驗(yàn)

2.2.1 全局感知器的層數(shù)與柵格編碼長(zhǎng)度

在研究全局感知器對(duì)空間特征的影響過程中，設(shè)置柵格編碼長(zhǎng)度為28，使用不同數(shù)量的感知機(jī)層比較測(cè)試的準(zhǔn)確率.實(shí)驗(yàn)結(jié)果如圖7所示，從圖中可以看出，當(dāng)MLP模塊的層數(shù)小于16時(shí)測(cè)試的準(zhǔn)確率隨層數(shù)增加而提高，當(dāng)大于16 層時(shí)，準(zhǔn)確率因過擬合而降低.因此本文中的模型將MLP 的層數(shù)設(shè)置為16.

圖7 全局感知器層數(shù)對(duì)準(zhǔn)確率的影響Fig.7 Effects of glocal percetron layers

為了研究柵格編碼長(zhǎng)度對(duì)車道線結(jié)構(gòu)特征以及模型推理效率的影響，設(shè)置全局感知器層數(shù)為16，對(duì)多個(gè)編碼長(zhǎng)度分別實(shí)驗(yàn)，驗(yàn)證其準(zhǔn)確率，其結(jié)果如圖8 所示，從圖中可知柵格編碼長(zhǎng)度小于28時(shí)，準(zhǔn)確率隨編碼長(zhǎng)度增加穩(wěn)步提高，編碼長(zhǎng)度為大于28時(shí)準(zhǔn)確率基本保持穩(wěn)定，可見此時(shí)模型表達(dá)力已達(dá)最優(yōu)，故柵格編碼長(zhǎng)度為28.

圖8 柵格編碼長(zhǎng)度對(duì)準(zhǔn)確率影響Fig.8 Effects of griding embeding lengths

2.2.2 局部感知器有效性驗(yàn)證

在驗(yàn)證局部感知器的有效性的實(shí)驗(yàn)中，對(duì)訓(xùn)練與推理階段是否使用局部感知器分別設(shè)置三組對(duì)照實(shí)驗(yàn)，算法組合與實(shí)驗(yàn)結(jié)果如表2所示，由結(jié)果可知在訓(xùn)練階段加入gConv 模塊，推理結(jié)果的準(zhǔn)確率提高至96.76%，與不加gConv模塊相比，準(zhǔn)確率提高2.38%；而在推理階段加入gConv 模塊推理速度大幅降低，推理準(zhǔn)確率沒有提升，由此可見對(duì)模型進(jìn)行重參數(shù)化設(shè)計(jì)可以兼顧推理速度和準(zhǔn)準(zhǔn)確率.需要注意的是為了與其他模型比較，推理速度的實(shí)驗(yàn)結(jié)果在GPU為1080Ti的設(shè)備上計(jì)算得到.

表2 局部感知器對(duì)性能的影響Tab.2 Effects of local perceptron

2.2.3 各模型速度與準(zhǔn)確率的對(duì)比

在Tusimple 數(shù)據(jù)集中，選用5 個(gè)模型（Res18-Seg［33］，SCNN［4］，PloyLaneNet［18］，F(xiàn)ASTResNet18［17］，LSTR［5］）推理速度的統(tǒng)計(jì)量為每秒可處理圖像的幀數(shù)（FPS），根據(jù)文獻(xiàn)［17-18］的相關(guān)說明所選用的對(duì)比模型的推理速度均在GPU 為1080Ti 的設(shè)備上處理得到，與本文模型測(cè)試推理速度的設(shè)備規(guī)格相同.實(shí)驗(yàn)結(jié)果如表3 所示，結(jié)果顯示本文模型在準(zhǔn)確率優(yōu)于其他五種模型的同時(shí)，推理速度也具有很強(qiáng)的競(jìng)爭(zhēng)力.

表3 各模型的準(zhǔn)確率和推理速度Tab.3 Accuracy and speed of each model

2.3 泛化性實(shí)驗(yàn)

為研究本文模型的泛化能力，在更寬泛的數(shù)據(jù)集CULane 上進(jìn)行訓(xùn)練預(yù)測(cè)，分別使用8 個(gè)模型（SCNN［4］，ERFNet-E2E［34］，F(xiàn)astDraw［16］，SAD［35］，UFASTResNet34［17］，UFASTResNet18［17］，ER-FNet-IntRA-KD［36］，CurveLanesNAS-S［37］）在 CULane 數(shù) 據(jù)集上的實(shí)驗(yàn)結(jié)果與本文模型的實(shí)驗(yàn)結(jié)果對(duì)比，各模型的準(zhǔn)確率和推理速度的實(shí)驗(yàn)結(jié)果如表4 所示，其中（-）表示數(shù)據(jù)不可用，準(zhǔn)確率分為整體（Total）準(zhǔn)確率和其余9 個(gè)不同場(chǎng)景（Normal，Crowded，Dazzle，shadow，No-line，Arrow，Curve，Cross，Night）的子類準(zhǔn)確率，場(chǎng)景類別為十字路口（即Cross）時(shí)評(píng)測(cè)指標(biāo)為假陽性率FN，數(shù)值越小越好，其余類的評(píng)測(cè)指標(biāo)為F1-measure，從表中的數(shù)據(jù)可知，本文模型雖然在擁擠、曲線等環(huán)境中的效果較差，但在普通、炫光、陰影、夜間和十字路口等場(chǎng)景中效果更好，整體的檢測(cè)準(zhǔn)確率相較于其他模型達(dá)到了最優(yōu)，且獲得了最快的推理速度.

表4 各模型在CULane數(shù)據(jù)集上的準(zhǔn)確率和推理速度Tab.4 Accuracy and speed of each model on CULane

CULane 數(shù)據(jù)集上的車道線檢測(cè)結(jié)果如圖9 所示，第一列為本文模型的預(yù)測(cè)結(jié)果，第二列為UFASTResNet18 模型的預(yù)測(cè)結(jié)果，從結(jié)果中可以看出：在結(jié)構(gòu)損失函數(shù)的約束下，檢測(cè)的車道線更加平滑，對(duì)于遮檔部分的語義車道線也有較好的預(yù)測(cè).

圖9 在CULane數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Fig.9 Experimental result on CULane

3 結(jié)束語

本文提出了一種利用MLP 網(wǎng)絡(luò)進(jìn)行車道線檢測(cè)的新算法.該算法將MLP 網(wǎng)絡(luò)應(yīng)用于長(zhǎng)線型預(yù)測(cè)任務(wù)，利用MLP 網(wǎng)絡(luò)提取全局結(jié)構(gòu)信息，提高模型的泛化性，同時(shí)結(jié)合組卷積，使用不同感受野的卷積核提取局部信息，提高了模型的推理準(zhǔn)確率，實(shí)驗(yàn)表明MLP 進(jìn)行長(zhǎng)線型任務(wù)預(yù)測(cè)時(shí)有較好的全局特征提取能力，本文的模型在提高準(zhǔn)確率的同時(shí)保持著較高的推理速度，根據(jù)實(shí)驗(yàn)結(jié)果，模型對(duì)炫光、夜間等環(huán)境的檢測(cè)效果有著較為明顯的提高，為車道保持輔助系統(tǒng)，車道偏離預(yù)警以及高級(jí)別的智能駕駛輔助系統(tǒng)提供了更多的選擇.為使模型更具實(shí)用性，進(jìn)一步簡(jiǎn)化模型結(jié)構(gòu)，提高復(fù)雜環(huán)境的兼容性是下一步工作的重點(diǎn).