基于ROI自适应定位的复杂场景车道线检测

摘要

针对城市交通环境下复杂场景车道线检测精度不高的情况,提出一种基于感兴趣区域自适应定位的车道线检测算法。应用Sobel算子检测得到结构边缘,建立感兴趣区域的自适应定位方法,设计梯度引导和基于自适应感兴趣区域的卷积神经网络学习算法,建立递归神经网络学习模型,以几何属性为引导,排除梯度属性相似的物体干扰,并识别由于磨损或者遮挡而具有视觉残缺特征的车道线结构,并进行补全,建立算法模型。采集目标工况下城市交通复杂场景图像,设计算法验证实验,结果参数:准确性参数为97.13,假阳性参数为0.0491,假阴性参数为0.0191。研究结果表明,相对比传统算法,车道线检测精度得到较好提升,满足复杂场景下的使用需求。对城市交通下复杂场景的车道线检测精度的优化和提升为自动驾驶技术的进一步发展打下基础。