آشکارسازی خط مسیر حرکت خودرو در حضور اختفاء با استفاده از شبکه عصبی عمیق

آشکارسازی خطوط مسیر حرکت خودرو یکی از ا جزاء مهم در توسعه خودروهای خودران است که امکان شناسایی مسیرهای رانندگی به صورت بیدرنگ و رعایت مقررات ترافیکی را فراهم می سازد. با وجود عملکرد امیدوارکننده مدل های فعلی در محیط های کنترل شده، این مدل ها اغلب با چالش های قابل توجهی در سناریوهای واقعی مانند کاهش دید خطوط به دلیل برف، گرد و غبار، ترافیک یا عدم وجود علامت گذاری خطوط مواجه می شوند. این مقاله یک روش جدید برای آشکارسازی خطوط مسیر حرکت خودرو ارائه می دهد که ویژگی های مکانی-زمانی فریم های ویدیویی را با استفاده از شبکه های حافظه کوتاه بلندمدت (LSTM) و شبکه های عصبی کانولوشنال (CNN) ترکیب می کند تا عملکرد را در شرایط وجود اختفاء بهبود بخشد. با نمایش تشخیص خطوط به عنوان یک مسئله یادگیری متوالی، شبکه ترکیبی CNN-LSTM به طور موثری ویژگی های مکانی-زمانی را استخراج می کند. این معماری اطلاعات مکانی و زمانی را ادغام می کند و در نتیجه مقاومت در برابر اختفاء و شرایط نوری متغیر را افزایش می دهد.مدل پیشنهادی تحت دو شرایط اختفادی کم و زیاد و با استفاده از مجموعه داده های مختلف، ارزیابی شد. و با معماری پایه مقایسه شد که نتایج، اثربخشی روش پیشنهادی را تایید می کند. در شرایط کم اختفاء، مدل به امتیاز F۱ حدود ۹۶٪ دست می یابد که مشابه روش پایه است. در مقابل، مدل پایه در شرایط موانع زیاد با کاهش عملکرد مواجه می شود، در حالی که مدل پیشنهادی مقاوم باقی می ماند و به امتیاز F۱ حدود ۹۶٪ دست می یابد.

کلیدواژه ها:

آشکارسازی خطوط مسیر حرکت خودرو ، مدلهای عمیق ، LSTM ، Resnet ، اختفای زیاد