基于HarDNet全卷积网络的道路路面语义分割方法

• 作者: 车满强 李树斌 李铭
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 路面 深度学习 语义分割 HarDNet 边线拟合
• 年，卷（期）: 2021,（z2）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 76-80
• 页数: 5页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2021040539

摘要

道路路面可行驶区域识别是无人驾驶环境感知的重要组成部分.针对计算资源有限的车载设备,设计了基于HarDNet全卷积网络的道路路面语义分割方法.首先,在U-Net语义分割框架中使用低内存消耗的HarDNet卷积神经网络结构提取卷积特征进行路面分割;其次,在模型训练时对图像标签进行权重增强,提升路面边缘分割精度;然后,针对国内道路特点,构建国内道路路面分割数据集;最后,使用基于像素的交叉熵函数和Softmax的损失函数,结合平移、形变、填充、灰度处理、"复制粘贴"的数据增强方法进行模型训练.在构造的国内道路数据集上进行算法测试,实验结果表明所提方法的平均交并比值为94.5,在AGX Xavier设备上运行速度为10.6帧/秒.在满足无人车计算力要求的前提下,尽可能提升了路面可行驶区域分割的精度.