车道线检测相关方案调研
Published:
车道线检测相关方案调研.
1. Caltech Lane Detection
论文
1411.7113v1] Real time Detection of Lane Markers in Urban Streets (arxiv.org)
开源代码
Caltech Lane Detection - Mohamed Alaa El-Dien Aly (mohamedaly.info)
车道线参数化方法
首先采用Hough变换加RANSAC方法进行直线拟合，接着，基于直线拟合的结果，使用Bezier样条曲线来进行曲线拟合。文中采用三阶贝塞尔曲线来替代三次曲线，同样是求解四个参数，三阶贝塞尔曲线通过 和
点固定头尾，
和
控制曲线的形状。
2. LaneNet
论文
1802.05591] Towards End-to-End Lane Detection: an Instance Segmentation Approach (arxiv.org)
开源代码
车道线参数化方法
LaneNet的输出是每条车道线的像素集合，还需要根据这些像素点回归出一条车道线。传统的做法是将图片投影到鸟瞰图中，然后使用二次或三次多项式进行拟合。在这种方法中，投影矩阵H只被计算一次，所有的图片使用的是相同的投影矩阵，这会导致坡度变化下的误差。
为了解决这个问题，论文训练了一个可以预测变换矩阵H的神经网络HNet，网络的输入是图片，输出是投影矩阵H。
使用H-Net网络的输入结果，将图像中车道线上的像素点投影到鸟瞰图中，再通过最小二乘算法，用一个n阶多项式，对鸟瞰图中的车道线进行拟合。
3. SCNN
论文
1712.06080] Spatial As Deep: Spatial CNN for Traffic Scene Understanding (arxiv.org)
开源代码
车道线参数化方法
提出SCNN方法对车道线进行语义分割，分割结果用三次样条曲线进行拟合（不是论文的重点工作）。
4. End2End by LS Fitting
论文
1902.00293v1] End-to-end Lane Detection through Differentiable Least-Squares Fitting (arxiv.org)
开源代码
车道线参数化方法
传统车道线检测通常采用二段式的流程，即先对属于车道线的像素点进行语义分割，再将分割后的像素点拟合车道线模型参数。论文提出端到端的车道线拟合方法，具体包含产生加权像素坐标的深度网络、可微加权的最小二乘拟合模块和几何损失函数三部分。
由于曲线不同项的拟合参数相差的数量级非常大，因此不能采用L2 loss。因此，作者选择一个具有几何解释的损失函数，它将图像平面上预测曲线与地面真曲线之间的平方面积最小化，通过求积分的方式来实现。
5. CNN Regression
论文
车道线参数化方法
论文拓展了一种新思路，用回归坐标点的方法来做。传统的分割方法的在应对车辆遮挡时分割结果会出现碎片化、远离当前车道的车道线容易混淆不同车道线的实例标签。而直接回归坐标点，能够避免这些问题，提升检测精度。
文中每条车道线用15个固定点来表示，预测点在图像外则视为无效。网络结构前半部分只有UNet结构的encoder层，4个全连接层分支分别预测4条线，input为256*480。