51、智能地面车辆动态环境实时车道识别与多光谱图像全色锐化技术

智能地面车辆动态环境实时车道识别与多光谱图像全色锐化技术

一、智能地面车辆实时车道识别

在智能地面车辆的应用场景中，车道识别是一项关键技术。传统的图像识别方法在面对复杂的天气和光照条件时，效果往往不尽如人意。为了提高车道识别的准确性和鲁棒性，研究人员提出了多种深度学习模型。

1.1 融合模型的构建

为了充分发挥不同模型的优势，研究人员创建了一个集成了Unet和FCN - 8架构的模型，即FusionNet。具体操作流程如下：
1. 将图像输入到UNET模型中。
2. UNET模型输出的图像再传入FCN - 8模型。

UNET模型能够提供噪声较少的输出图像，而FCN - 8模型则可以从噪声较少的图像中更高效地提取车道信息。与单独使用这两个模型相比，融合后的模型在车道识别方面表现出显著的优势。

在FCN部分，输入图像经过卷积层时，其维度会发生变化。具体来说，图像的维度从 (H\times W) 变为 (H/2\times W/2)，再变为 (H/4\times W/4)，最终得到微观概率热图，然后对其进行上采样，得到最终的分割图。

1.2 模型训练

模型采用全卷积网络（FCN）进行图像分割，以VGG - 16作为特征提取的基础网络。FCN - 8允许将VGG - 16的输出上采样到所需的分辨率。具体步骤如下：
1. 取VGG - 16（阶段5）的输出并上采样2倍。
2. 取阶段4的输出并与上一步的结果拼接。
3. 再次上采样2倍，并与阶段3的输出拼接。

研究人员选择FCN - 8而不是FCN - 16和FCN - 32，是因为后