SMPPALD-细分面罩后处理算法,用于改进车道检测
Denis Vajak1, Mario Vranješ1, Ratko Grbić1
1Faculty of Electrical Engineering, Computer Science and Information Technology, J.J. Strossmayer University of Osijek, 31000 Osijek, Croatia.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
一个新的算法,为改进车道检测 (SMPPALD) 的分割面罩后处理算法,提高了高级驾驶员辅助系统的车道检测准确性. SMPPALD 改进了神经网络细分口罩,提高了关键汽车数据集的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 汽车工程 汽车工程
背景情况:
- 先进的驾驶辅助系统 (ADAS) 越来越依赖于准确的车道检测 (LD).
- 当前的LD算法经常使用神经网络来生成车道标记细分面具.
- 这些口罩的后处理可能会提高检测准确度.
研究的目的:
- 引入SMPPALD (用于改进车道检测的细分面罩后处理算法),这是一个用于增强LD的新算法.
- 将神经网络生成的细分口罩精制成精确的车道标记点列表.
- 提高车道检测系统的整体准确性和稳定性.
主要方法:
- 开发了SMPPALD,这是一个后处理算法,将几何和上下文规则应用于细分面具.
- 集成的SMPPALD与空间卷积神经网络 (SCNN) 进行车道检测.
- 在三个不同的数据集上评估性能:CULane,TuSimple和LLAMAS.
主要成果:
- 与TuSimple和LLAMAS数据集上的SCNN相比,SMPPALD显著改善了F1测量.
- 该算法在CULane数据集中的大多数类别中表现优于SCNN.
- 后处理细分口罩导致更准确的车道标记识别.
结论:
- SMPPALD为基于神经网络的车道检测系统提供了宝贵的增强.
- 拟议的后处理方法有效地提高了ADAS中的车道检测准确性.
- 在不同的数据集和网络架构中,SMPPALD展示了广泛的适用性.


