用于车道线和道路标志检测和识别的消失点引导网络(VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition)
前言:
这是ICCV 2017的一篇文章。通过消失点(vanishing point)去辅助处理车道线和道路标志的检测和识别。针对自动驾驶中雨天和黑夜的研究现状(截至2017年,并无公开的基准数据集),该文构建了带有消失点标记的4种场景数据集(no rain, rain, heavy rain, and night),17类车道线和道路标志,共20000余张图片。该文提出一种多任务的端到端网络,且该网络能够检测到未被明确看到的车道,且能够达到20fps的速度。
网络模型和数据集见:https://github.com/SeokjuLee/VPGNet(使用caffe框架)
效果见:https://www.youtube.com/watch?v=jnewRlt6UbI
图1展示了本文检测效果。
思路来源:
研究表明,驾驶员注视方向与道路方向高度相关,因此几何背景在车道定位中很重要。本文想要以类似人类的方式识别全局环境,利用一个消失点预测任务来嵌入几何上下文信息到所提出的网络。
数据集:
表1、表2分别展示了数据集的场景和类别信息。
消失点标注:【EASY:一个清晰的场景(如笔直的道路);HARD:混乱的场景(如交通堵塞);NONE:消失点不存在的地方(如十字路口)】。直线和曲线车道都被用来预测消失点
**道路标志:**Other markings:南韩所特有的道路标志,或者无法被区分为一个特定的类别。
基于深度学习的通用目标检测方法(例R-CNN)对通用图片检测效果较好,但对于车道线检测效果不佳(因为车道线是小物体)。
单目相机采集数据。相机在车内,偶尔会拍到雨刷器的照片。
如果采用像素级标注,经过卷积和池化后,标注信息可能消失,因此该文将像素级注释投影到网格级掩码上(图像被划分为一个8×8的网格,网格单元将对应填充一个与原始标注图中同样的类标签)。消失点也同样被标注。***(将标注信息变得更粗了)***
图2展示了数据集中的标注信息的一个例子。