自动驾驶中实时车道检测和警报

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

车道检测模型

简介

未来十年，自动驾驶将彻底改变人们的出行方式。目前，自动驾驶应用程序目前正在测试各种案例，包括客车，机器人出租车，自动商业运输卡车，智能叉车以及用于农业的自动拖拉机。自动驾驶需要计算机视觉感知模块来识别和导航环境。此感知模块的作用是：

• 车道检测

• 检测环境中的其他物体：车辆，行人，动物

• 跟踪检测到的对象

• 预测他们可能的运动

一个好的感知系统应该能够在各种驾驶条件下（白天/晚上、夏天/冬天、下雨/下雪等）实时完成这项工作。在本文中，我们将探究一个实时模型，用于检测车道、其他车辆等以及生成警报。

训练实时车道检测

车道检测问题通常被构造为语义或实例分割问题，目的是识别属于车道类别的像素。TUSimple是用于车道检测任务的常用数据集，这个数据集有3626个道路场景的注释视频剪辑，每个剪辑有20帧，数据都是从安装在汽车上的摄像机所捕获的。下面分享一个示例图像及其注释。

TUSimple数据集的样本图像和车道注释

在此数据集中，我们可以训练语义分割模型用于分割出属于车道类别的像素。U-Net模型是一个理想的模型，因为它是具有实时推理速度的轻量级模型。U-Net是一种编码器-解码器模型，具有跳过连接编码器和解码器块。模型架构如下所示。

U-Net论文中的U-Net模型架构 

但是，损失函数应修改为骰子损失系数。车道线分割问题是一个极不平衡的数据问题，图像中的大多数像素都属于背景类。Dice Loss基于Sorenson-Dice系数，它对假阳性和假阴性具有相似的重要性，这使它在数据不平衡问题的处理上表现更好。你可以在他们的论文中阅读有关Dice Loss的更多信息。Dice Loss尝试匹配地面真实情况和预测模型中的车道像素，并能够获得清晰的边界预测。个人非常喜欢这个关于使用骰子进行边界预测的博客。

LaneNet模型

对于本文，我使用LaneNet模型生成车道线。LaneNet模型是两阶段车道线预测器。第一阶段是编码器-解码器模型，以创建车道线分割掩码。第二阶段是车道定位网络，该车道网络将从掩码中提取的车道点作为输入，并使用LSTM学习预测车道点的二次函数。

下图显示了操作的两个阶段。左图是原始图像，中间图像是第1阶段车道注释的输出，右图是第2阶段的最终输出。

LaneNet模型的解释（论文图片-https://arxiv.org/pdf/1807.01726.pdf）

我使用了这个repo中的LaneNet模型实现。代码维护良好，运行无错误。

生成智能警报器

我将车道的预测与对象检测相结合，以生成智能警报。这些智能警报可以：

• 检测车辆的自我车道中是否存在其他车辆并测量与它们的距离

• 检测相邻车道中的车辆

• 识别弯曲道路的转弯半径

在这里，我使用YOLO v5来检测道路上的汽车和人。如果您有兴趣测试YOLO v5，请在此处查看我的博客(https://towardsdatascience.com/yolov5-compared-to-faster-rcnn-who-wins-a771cd6c9fb4)

YOLO v5在检测道路上的其他车辆方面表现出色，而且推断时间也非常快。接下来，我们使用YOLO v5来测量我方车辆与前面最近的车辆之间的距离。模型返回以像素为单位的距离，可以根据相机参数将其转换为米。由于TUSimple数据集的相机参数未知，因此我根据车道的标准宽度估算了像素到米的转换。

距离测量警报

我们同样可以计算车道的曲率半径，并将其用于汽车的转向模块。

曲率半径测量

结论

在本文中，我们探讨了针对自动驾驶中如何准确而快速地检测车道线的问题。然后，我们使用YOLO v5建立对道路上其他对象的识别，用于生成智能警报。在深度学习分析中，我们非常热衷于使用机器学习解决现实世界中的问题。我们已经帮助许多企业部署了基于AI的创新解决方案。如果您发现合作的机会，请通过此处的网站与我们联系。

参考文献

• YOLO v5

• LaneNet

• U-Net

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~