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(lái)，隨著計(jì)算機(jī)視覺(jué)和人工智能的快速發(fā)展，傳統(tǒng)的汽車(chē)行業(yè)與這些先進(jìn)的技術(shù)結(jié)合得越來(lái)越緊密，車(chē)道線(xiàn)檢測(cè)技術(shù)廣泛應(yīng)用于車(chē)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(chē)道線(xiàn)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(chē)道線(xiàn)檢測(cè)技術(shù)具有重要的工程應(yīng)用價(jià)值.

生活中常見(jiàn)的車(chē)道線(xiàn)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(chē)道線(xiàn)檢測(cè)方法通常先手工操作提取特征［6-7］，再通過(guò) Hough 變換［8-9］、隨機(jī)采樣一致性［10-12］等后處理來(lái)擬合線(xiàn)形車(chē)道，這種檢測(cè)模型魯棒性差，無(wú)法適應(yīng)不同環(huán)境下的車(chē)道線(xiàn)檢測(cè).目前對(duì)于車(chē)道線(xiàn)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(lèi)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(yǔ)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(chē)道線(xiàn)檢測(cè)看成一個(gè)圖像分割問(wèn)題，如SCNN［4］利用圖像分割模型分割出車(chē)道線(xiàn)，使用消息傳遞，以及額外的場(chǎng)景注釋來(lái)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(yǔ)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(lèi)的方案是將車(chē)道線(xiàn)看成一系列的行錨，如文獻(xiàn)［17］在處理過(guò)程中對(duì)道路圖像每行檢測(cè)出一個(gè)像素屬于車(chē)道線(xiàn)，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(wú)法適應(yīng)多環(huán)境下的車(chē)道線(xiàn)檢測(cè)；基于多項(xiàng)式擬合的方案，是將車(chē)道線(xiàn)看成曲線(xiàn)，直接對(duì)參數(shù)進(jìn)行學(xué)習(xí)，每條車(chē)道線(xiàn)輸出一個(gè)多項(xiàng)式，如LSTR［5］將每條車(chē)道線(xiàn)視為一個(gè)三次曲線(xiàn)，利用TransFormer［22］強(qiáng)大的編碼和解碼能力，擬合出每條車(chē)道線(xiàn)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(méi)有優(yōu)于其他方法；基于錨的方案，如LaneATT［20］將每條車(chē)道線(xiàn)都表示為一條直線(xiàn)的錨和錨的橫向偏移.與逐行分類(lèi)方案類(lèi)似，這種方法利用了一定的先驗(yàn)知識(shí)，即車(chē)道線(xiàn)通常是直的，然而固定錨的形狀導(dǎo)致描述線(xiàn)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(xiàn)變化、霧天雨天、車(chē)輛行人遮擋等復(fù)雜環(huán)境下完成車(chē)道線(xiàn)檢測(cè)，不僅需要考慮車(chē)道線(xiàn)的局部信息，更需要對(duì)車(chē)道線(xiàn)進(jìn)行更高層次的語(yǔ)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(chēng)MLP）的研究表明，MLP 能夠較好的提取圖像的全局語(yǔ)義信息，但在局部語(yǔ)義信息的提取上沒(méi)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(jué)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(guò)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(lái)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(chē)道線(xiàn)檢測(cè)方法的基礎(chǔ)上，結(jié)合車(chē)道線(xiàn)的全局結(jié)構(gòu)特征和局部語(yǔ)義信息，提出了一種簡(jiǎn)單高效的基于多層感知器的車(chē)道線(xiàn)檢測(cè)方法，該方法能快速、準(zhǔn)確地檢測(cè)出車(chē)道線(xiàn).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(chē)道線(xiàn)檢測(cè)算法LaneMLP，將MLP 與重參數(shù)化技術(shù)應(yīng)用于車(chē)道線(xiàn)檢測(cè)，提高了端到端的車(chē)道線(xiàn)檢測(cè)效率.

（2）提出了一種新的逐行分類(lèi)的長(zhǎng)線(xiàn)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(guò)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(chē)道線(xiàn)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(chē)道線(xiàn)的點(diǎn)集：

其中：N 表示待檢測(cè)圖片中的車(chē)道線(xiàn)數(shù)目，k 表示圖像中每條車(chē)道線(xiàn)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(chē)道線(xiàn)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(jiàn)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(guò)逐行分類(lèi)模型（具體介紹見(jiàn)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(jiàn)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(guò)線(xiàn)性分類(lèi)層實(shí)現(xiàn)柵格的分類(lèi)，整個(gè)模型的輸出為構(gòu)成車(chē)道線(xiàn)所有點(diǎn)的集合.需要注意的是在模型訓(xùn)練階段線(xiàn)性分類(lèi)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(xiàn)性分類(lèi)層的輸入為全局感知器的特征張量.訓(xùn)練過(guò)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(xiàn)性層.

推理過(guò)程中無(wú)需組卷積操作，故推理過(guò)程中需將式（2）轉(zhuǎn)換為式（4），最后經(jīng)線(xiàn)性分類(lèi)輸出.

1.1 逐行分類(lèi)模型

文獻(xiàn)［17］中的逐行分類(lèi)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(lèi)，判斷是否屬于車(chē)道線(xiàn)，同時(shí)在模型的右側(cè)引入了一列背景錨點(diǎn)來(lái)表示這一行是否存在車(chē)道線(xiàn)，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(yǔ)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(lèi)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(chē)道線(xiàn)在垂直方向上存在的范圍，可以引入?yún)?shù)V來(lái)表示，通過(guò)一個(gè)線(xiàn)性層［29］訓(xùn)練參數(shù).

圖2 逐行分類(lèi)模型Fig.2 Model of the row-wise classification

通過(guò)這種新的逐行分類(lèi)模型，車(chē)道線(xiàn)檢測(cè)任務(wù)可以看成一個(gè)V 行的分類(lèi)任務(wù)，每行進(jìn)行X 個(gè)類(lèi)別為N + 1的分類(lèi)操作，判斷V × X 個(gè)柵格是否屬于車(chē)道線(xiàn)以及屬于第幾條車(chē)道線(xiàn)，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(jiàn)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(yǔ)義信息的能力，從而提高復(fù)雜環(huán)境下的車(chē)道線(xiàn)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(guò)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(guò) 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(xiàn)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(guò)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(lài)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(xiàn)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(mǎn)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(guò)不同的感受野提取輸入圖像的局部語(yǔ)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(guò)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(chē)道線(xiàn)被遮擋部分，很難利用局部的語(yǔ)義信息進(jìn)行車(chē)道線(xiàn)的檢測(cè)，考慮車(chē)道是一種細(xì)長(zhǎng)的條形線(xiàn)，相鄰的車(chē)道線(xiàn)保持相似的曲率，因此可以利用全局的結(jié)構(gòu)信息來(lái)盡可能的恢復(fù)被遮擋的車(chē)道線(xiàn)［17］，通過(guò)結(jié)構(gòu)損失函數(shù)進(jìn)行約束車(chē)道線(xiàn)的全局結(jié)構(gòu)信息，其定義如下：

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

其中 Ti，j，Pi，j分別表示第 i 條車(chē)道線(xiàn)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(chē)道線(xiàn)中構(gòu)成車(chē)道線(xiàn)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(chē)道線(xiàn)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(chē)道線(xiàn)分析，大多數(shù)車(chē)道線(xiàn)都是直線(xiàn)，故使用二階差分方程來(lái)進(jìn)一步約束車(chē)道線(xiàn)的形狀，實(shí)現(xiàn)語(yǔ)義上的車(chē)道線(xiàn)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(chē)道線(xiàn)范圍是通過(guò)逐行預(yù)測(cè)車(chē)道線(xiàn)是否通過(guò)當(dāng)前行來(lái)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(chē)道線(xiàn)的概率，yjgt為第j 行是否存在車(chē)道線(xiàn)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(kāi)發(fā)語(yǔ)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(chē)道線(xiàn)標(biāo)注如圖6 所示，其中第一行為T(mén)usimple 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(chē)道點(diǎn)的數(shù)量，Ngt是標(biāo)記車(chē)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?xún)?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(chē)道標(biāo)記視為一條寬度為30 像素的線(xiàn)，取預(yù)測(cè)車(chē)道線(xiàn)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(yáng)性率即被正確預(yù)測(cè)的車(chē)道點(diǎn)的數(shù)量，同理FP表示假陽(yáng)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(guò)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(guò)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(guò)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(chē)道線(xiàn)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(jiàn)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(méi)有提升，由此可見(jiàn)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(shuō)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(lèi)準(zhǔn)確率，場(chǎng)景類(lèi)別為十字路口（即Cross）時(shí)評(píng)測(cè)指標(biāo)為假陽(yáng)性率FN，數(shù)值越小越好，其余類(lèi)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(xiàn)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(chē)道線(xiàn)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(chē)道線(xiàn)更加平滑，對(duì)于遮檔部分的語(yǔ)義車(chē)道線(xiàn)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(yǔ)

本文提出了一種利用MLP 網(wǎng)絡(luò)進(jìn)行車(chē)道線(xiàn)檢測(cè)的新算法.該算法將MLP 網(wǎng)絡(luò)應(yīng)用于長(zhǎng)線(xiàn)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(xiàn)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(chē)道保持輔助系統(tǒng)，車(chē)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).