摘要
大多数方法着重于从单帧图像检测车道,并且在处理某些极差的情况(例如重影,严重的标记退化,严重的车辆遮挡等)时,通常会导致性能不令人满意。 实际上,车道是道路上的连续线结构。 因此,可以通过合并先前帧的信息来潜在地推断出在一个当前帧中不能准确检测到的车道。
引言
有挑战场景的车道检测效果如图1所示。
更精确地,即使该车道可能遭受由阴影,污点和遮挡所带来的损坏或退化,也可以通过使用多个先前的帧来预测当前车道中的车道。 这促使我们通过使用连续驾驶场景的图像来研究车道检测。
本文提出了一种混合深度神经网络,用于通过使用多个连续驾驶场景图像进行车道检测。 提出的混合深度神经网络将DCNN和DRNN结合在一起。 从全局的角度来看,所提出的网络是DCNN,它以多个帧为输入,并以语义分段的方式预测当前帧的通道。 提出了一种完全卷积的DCNN体系结构以实现分割目标。 它包含一个编码器网络和一个解码器网络,以确保最终的输出图具有与输入图像相同的大小。 从局部角度看,由DCNN的编码器网络抽象的特征将由DRNN进一步处理。 一个长短期记忆(LSTM)网络用于处理编码特征的时间序列。 DRNN的输出应该已经融合了连续输入帧的信息,并被馈送到DCNN的解码器网络以帮助预测通道。
contributions:
- 连续驾驶图片进行车道线检测可有效应用于有挑战性的场景。
- 无缝整合了DRNN和DCNN。
- 对Tusimple数据集进行了扩展,收集了一些有挑战性的驾驶场景。
相关工作
车道检测方法
传统方法
- 几何建模。两步:边缘检测、曲线拟合。
- 能量最小化。卡尔曼滤波、粒子滤波、卡尔曼粒子滤波。
基于深度学习方法
- 编码器-解码器CNN
- 带有优化算法的FCN
- CNN+RNN