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 | 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 | 检测 | CULane、Tusimple、LLAMAS | Ubuntu18.04, or 20.04, Python >= 3.8 PyTorch >= 1.6 | CVPR 2022 稍优于GANet | |
CLRerNet | WACV 2023 CULane数据集上效果优于CLRNet | ||||
LineCNN | - | - | - | IEEE 2020 | |
LaneATT | CULane、Tusimple、LLAMAS |
| CVPR 2021 | ||
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 | 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 | 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 | https://github.com/TuSimple/tusimple-benchmark/issues/3 |