基于双视角CNN的准确、稳健的车道线检测

本文为论文阅读笔记，不当之处敬请指正。论文链接：Accurate and Robust Lane Detection based on Dual-View Convolutional
Neutral Network，更多内容，请参考原文。

摘要

本文提出了一种车道线检测的双视角卷积神经网络（DVCNN）架构。首先，为了提高精确度，设计了一种新的DVCNN架构，其中前视图和俯视图被同时利用。利用前视图，可以将移动的汽车、护栏和路边等排除在外，而通过俯视图，非路边形状的结构将会被去除，如箭头和地面标语。其次，我们提出了一种帽状滤波器，不经能够识别潜在的车道线，而且还能平滑渐变纹理的分布，从而减少误测。第三，一个全局的优化函数被设计，其中车道线的可能性、长度、宽度、方向和数量都被考虑在内。经过优化，真实车道线的最优组合被发现。实验显示我们的算法具有较高的准确度和鲁棒性。

1. 引言

通常车道线检测算法步骤为：预处理：统一图片大小、排除干扰物；特征提取：增强车道线；模型拟合：评估车道线参数。
早期文献中将前视图或俯视图先进行边缘提取、之后霍夫变换、样条曲线或是b-snake对二值区域进行拟合。考虑到存在大量干扰物和误判，之后利用时间的相关性引进了追踪技术。Aly设计了一种粗糙到优化的架构，首先在俯视图中使用RANSAC拟合线段和曲线，之后将其反映射到前视图寻找领域最大响应。基于SVM等识别车道线模式，但车道线特征不足，难以表示。CNN有两个缺陷：基于像素的方法未考虑到细线的情况；邻域内类似车道线的物体会有严重干扰。

2. 提出的算法

A 架构

a. 通过反透视映射有前视图得到俯视图，通过加权帽状滤波器获取候选测导线
b. 将前视图和俯视图同时输入到DVCNN中，输出车道线的可能性。
c. 根据获取的结果，包括车道线概率、长度、宽度、方向数量，使用全局优化器，获取最终输出。
与之前工作的不同之处：
a. 基于块的提取，而非像素
b. 同时使用前视图和俯视图
c. 考虑车道线长度、宽度、方向等因素

B 提取车道线候选集

对俯视图进行车道线提取，原因：接近垂直，宽度不变
使用块滤波器，思路：以某个像素点为中心的块灰度值和的二倍减去该块左右两边块之和。

$$I_f(x,y)=\delta(x,y) \cdot(2\cdot Block_{middle}-Block_{left}-Block_{right})$$
其中 $\delta(x,y)$在中间块灰度值之和小于左边块或右边块时为零，其余情况为1.
滤波之后移除与竖直方向夹角大于 $45^o$的边，之后使用RANSAC方法初始化线的参数如形状、中断、交点。

C DVCNN

俯视图用于识别车道线、
前视图中方便提取其他信息如环境、区域等。
DVCNN使用前视图和俯视图作为输入，估计为真实车道线的概率。

D 全局优化

经过DVCNN，车道线候选集中每条线段的可能性被提供。传统的方法直接选取可能性高的线段，但是其他信息也不应忽视。需要被考虑的信息有：
a. 车道线数量
b. 车道线长度，通常真实的车道线较长
c. 真实车道线与假车道线之间存在以下不同：车道线之间相互平行，车道线方向应该一致，车道线之间存在一定距离。
基于此全局优化函数为

$$arg\ max_{L_i\subseteq L}\ \omega_{amo}\cdot\{\sum_{l\in L_i}{\{p_l+\omega_{len}^{l}+ \sum_{m\in L_i,m\neq l}{\omega_{link}^{ml}}\}}\}$$
其中 $l$为$L_i$中的车道线， $\omega_{amo},\omega_{len},\omega_{link}$为车道线的数量，长度，链接？

3. 实验和结果

优于只使用前视图和俯视图作为输入的CNN的情况，精确度和召回率均高于普通CNN的情况。$2448\times2448$大小图片花费的时间为$11s$，$90\%$的时间消耗在DVCNN上。

4. 结论

结合前视图和俯视图的CNN算法、全局优化函数，在车道线完全被车遮挡，或图片曝光度太高的情况下表现不佳。

5. 心得

帽状函数相对像素处理，能够更好探测较粗的线段。
全局优化函数相较阈值函数，能够综合车道线各种属性进行考虑，使用合理。
使用CNN网络，效率较低。