基于改进SegNet模型的斑马线检测方法研究

为了改善现有斑马线检测精度低、检测不全面及实时性差等多重问题,提出了一种改进的SegNet语义分割模型进行斑马线检测,使其更适应于辅助驾驶系统中的预警场景,为无人驾驶车辆提供帮助.以语义分割中的原始SegNet模型为基础,首先将SegNet模型的特征提取网络部分进行改进,融入金字塔池化模块,进行多方面特征提取,获取上下文全局信息,达到减少斑马线细节信息丢失的目的;然后将模型对称的结构改为编码不变、解码减少的不对称结构,减少网络参数,增设细节处理,精准检测斑马线像素点位置,有效地提高了检测准确率和实时性.对获取到的斑马线图像进行亮度增强、添加噪声、图像翻转等随机转换方式来扩充采集的斑马线图像样本,使斑马线图像样本满足各种语义分割模型检测需求.在扩充后的斑马线数据集上进行试验,以精确率,召回率,F1值为检测精度评价标准,以运行时间为实时性评价标准,将改进SegNet模型分别与原始SegNet模型,U-Net模型,PSPNet模型进行对比.改进SegNet模型检测斑马线精度达到了97.6％,与其他模型相比检测精度得到有效提高,且运行速度加快,满足当前实时性检测的需求.因此改进SegNet模型检测斑马线更全面,可应用于辅助驾驶系统中.