基于图像语义分割的低速无人驾驶车

关键字：语义分割；神经网络；多传感器融合；无人驾驶

一、目的：

对于低速无人驾驶车辆，可通行区域检测大多使用雷达，这种方案成本高、处理数据量大，而传统图像识别算法识别准确性较低。

基于神经网络的语义分割可以对RGB相机获取的彩色图像进行处理，获得可通行区域，在保证系统识别效果的同时，大幅降低系统成本。同时，使用多传感器融合进行路径导航，实现系统的运行。

二、方法：

低速无人驾驶车使用RGB相机获取环境信息，使用空洞卷积神经网络（DCN）对图像进行处理，检测地面，识别出可通行区域。将识别出的图像信息与多传感器数据融合处理，规划出实际路径。

图 1 系统工作流程

使用DCN进行图像语义分割，使用Cityscapes街景数据库对神经网络进行训练，识别出地面区域。考虑到无人车的高度和相机的视场角，只对图片下半部分进行处理，之后通过颜色提取，获得地面区域，通过形态学处理，去掉噪声，对地面区域遍历求解横轴中心坐标点，所得点的连线为通行方向。

图 2 对图像求解前进方向

GPS导航使用当前GPS坐标与目的地GPS坐标，结合地图进行路径规划，获得行驶路线。由于道路的限制，车辆只能沿着道路行走，需要电子罗盘判断朝向。之后使用图像语义分割进行可通行区域检测，确定行驶路径，避免在行驶过程中碰到障碍物。

图 3 系统流程框图

三、结果：

本文将语义分割与多传感器融合结合在一起，具有较好的可行性，在图像识别过程中，使用空洞卷积神经网络替代全卷积神经网络，提高系统识别的准确率。在多传感器融合过程中，使用GPS进行定位，使用陀螺仪对电子罗盘获得磁场数据进行补偿，获得精确方向，最终实现系统运行。

图 4 图像处理结果

四、结论：

本文研究了基于空洞卷积神经网络的图像语义分割，获得可通行区域，通过GPS、电子罗盘、陀螺仪等多传感器融合，实现了低速无人驾驶车的导航和路径规划，在保障系统安全性与可靠性的同时，降低了系统的成本。值得注意的是，虽然可以通过RBG相机获得通路信息，但整个系统还缺乏对整个环境变量的感知，存在较大的改进空间。