IEEE IV 2018：一种实例分割方法实现端到端车道检测

（长按识别上方二维码，报名第29届IEEE IV大会 ）

由IEEE智能交通系统协会 (ITSS)主办的 The 29th IEEE Intelligent Vehicles Symposium（第29届IEEE IV 国际智能车大会）将于6月26日-6月30日在江苏常熟举办。本届IEEE IV大会共收到来自34个国家的603篇论文，本篇论文为大会优秀论文之一。本文提出了一种快速车道检测算法，在运行速度为50帧/秒速度下，可以处理不同数量的车道并应对车道变化。其方法在tuSimple数据集上得到了验证并获得了不错的结果。微信后台回复：IV2018，下载大会论文。

Towards End-to-End Lane Detection an InstanceSegmentation Approach

 

Davy NeevnBert De Brabandere Stamatios Georgoulis Marc Proesmans Luc Van Gool ESAT-PSI,KU Leuven firstname.lastname@esat.kuleuven.be

 

摘要：现代汽车融合了越来越多的驾驶辅助功能，其中包括车道保持功能。该功能可以让汽车正确定位在车道线内，这对于完全自动驾驶汽车中车道偏离或轨迹规划决策有很重要的意义。传统车道检测方法依赖于高度专业的手工特征标记和后处理启发式算法的组合，这些技术计算昂贵，并且由于道路现场变化而易于扩展。最近有研究利用深度学习模型来进行像素级车道分割训练，也可以用于图像由于较大的接收范围而没有标记的情况。尽管有其优点，但这些方法仅限于检测预和定义固定数量的车道，并且不能应对车道变化。

在本文中，我们超越了上述限制，提出将车道检测问题看作一个实例分割问题（其中每个车道都形成自己的实例）可以进行端到端的训练。为了在装配车道前对分段的车道实例进行参数化，我们应用了一个以图像为条件的学习透视变换（不适用于固定的“鸟瞰”变换），这样，我们确保了一种对道路变化具有鲁棒性的车道匹配，不像现有的方法，依靠固定、预定义转换的方法。总之，我们提出了一种快速车道检测算法，运行速度为50帧/秒，可以处理不同数量的车道并应对车道变化。我们在tuSimple数据集上验证了我们的方法并获得了不错的结果。

 

本文作者Davy Neevn是鲁汶大学博士研究生，鲁汶大学是比利时久负盛名的最高学府，欧洲历史最悠久且最受人尊敬的大学之一，也是享誉全球的世界级顶尖研究型大学。Davy Neevn近几年一直在从事语义分割、场景理解、实例分割等课题的研究。

 

传统车道线检测技术

 

目前，无论是在学术还是工业层面，自动驾驶都是计算机视觉和机器人技术研究的主要焦点。不论何种方案，都需要使用各种传感器和控制模块，感知汽车周围的环境。基于摄像头的车道检测是环境感知的重要方法，它可以让车辆在车道内正确定位，同时它对后续的车道偏离或轨迹规划也至关重要。因此，准确的基于摄像头的车道检测是实现完全自动驾驶的关键推动因素。传统的车道检测方法（例如[9]，[15]，[17]，[33]，[35]）依靠高度专业化的手工特征标记和启发式识别来识别车道线。这种手工标记的方法主要是基于颜色的特征[7]，结构张量[25]，条形过滤器[34]，脊线特征[26]等，它们可能与霍夫变换 [23]， [37]或卡尔曼滤波器[18]，[8]，[34] 相结合。识别车道线后，采用后处理技术来滤除误检以形成最终车道。通常，这些传统方法很容易由于道路场景变化而导致鲁棒性问题。