基于camera的车道线检测

1. 简介

车道线检测策略可以分为两种方法：几何建模/传统的车道线检测方法和基于人工智能的技术。

1）几何建模/传统方法

传统检测算法使用的pipeline包括图像预处理、特征提取、车道线模型拟合和直线跟踪。

2）人工智能

基于摄像头图像

	开源代码		数据集	环境	备注
LaneNet	https://github.com/MaybeShewill-CV/lanenet-lane-detection	分割	Tusimple	16.04(x64), python3.5,  cuda-9.0,  cudnn-7.0 with a GTX-1070 GPU， tensorflow 1.12.0	IEEE IV conference
Lane2Seq	未开源		Tusimple、CULane、LLAMAS		CVPR2024
CLRNet	https://github.com/Turoad/clrnet	检测	CULane、Tusimple、LLAMAS	Ubuntu18.04, or 20.04, Python >= 3.8 PyTorch >= 1.6	CVPR 2022 稍优于GANet
CLRerNet	https://github.com/hirotomusiker/CLRerNet				WACV 2023 CULane数据集上效果优于CLRNet
LineCNN	-		-	-	IEEE 2020
LaneATT	https://github.com/lucastabelini/LaneATT		CULane、Tusimple、LLAMAS	Python >= 3.5 PyTorch == 1.6	CVPR 2021
LVLane	https://github.com/zillur-av/LVLane		TuSimple、 Caltech Lanes  LVLane	python=3.8 pytorch==1.8.0	2023 IEEE 检测+分类
PINet	-	关键点	-	-	2002
FOLOLane	-		-	-	2021
GANet	GitHub - Wolfwjs/GANet: A Keypoint-based Global As		CULane、Tusimple	python=3.7 pytorch==1.6.0	CVPR 2022

基于BEV（单目）

	开源代码	数据集	环境	备注
BEV-LaneDet	未开源	ApolloSim、OpenLane		CVPR 2023
Anchor3DLane	https://github.com/tusen-ai/Anchor3DLane	ApolloSim、OpenLane、ONCE-3DLane	python=3.7 pytorch==1.9.1	CVPR 2023

2. 数据集

TuSimple 、 KITTI、 Caltech、 Cityscapes、 Apollo Scape 、CULane 

3. CLRNet

3.1 环境部署：

pip install torch==1.10.2+cu113 torchvision==0.11.3+cu113 torchaudio==0.10.2 --extra-index-url https://download.pytorch.org/whl/cu113 

容器创建：docker run --gpus '"device=0"' --net=host -it -v /data3:/data3 --shm-size=32g --memory-swap=-1 --name=clrnet_jiao clrnet:jiao bash

原图大小：1640*590

网络输入大小：800*320

3.2 CULane数据集效果：

使用自采样本数据时需要配置切割高度cut_height = 472(根据成像效果设置)。

LLAMAS数据集模型在自采样本上的效果（cut_height = 472）：图略

Tusimple数据集模型在自采样本的效果比其他两个数据集模型较好些：图略

4. 数据集对比

共同点：真值都是点集

	CULane	LLAMAS	Tusimple
缺点	最多标记4条车道线，场景有限	高速场景	高速路
图像大小	1640*590	1276 x 717	1280x720
数量	133235	79113	6408
是否分类（实虚线）	否	是	否
摄像头安装位置	车内	汽车外部的车牌处	卡车的靠近车牌的位置
数据集地址	CULane Dataset	Login	https://github.com/TuSimple/tusimple-benchmark/issues/3​​​​​​