Heatmap-based Vanishing Point boosts Lane Detection 论文翻译

最新推荐文章于 2024-05-31 10:04:54 发布

原创

最新推荐文章于 2024-05-31 10:04:54 发布 · 1.3k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #算法 #计算机视觉

本文提出了一种基于热图回归的车道线检测方法，利用ERFNet提取特征并结合车道线检测结果预测消失点。实验在CULane数据集上展示了新方法在复杂光照条件下的优势，显著提升了检测精度。关键词：车道线检测、消失点检测、热图回归、自动驾驶、ERFNet融合

基于热力图消失点增强车道线检测

论文：Heatmap-based Vanishing Point boosts Lane Detection

摘要

基于视觉的车道线检测(LD)是自动驾驶技术的关键部分，也是一个具有挑战性的问题。消失点作为场景构成的重要约束条件之一，可以为车道线检测提供有用的线索。本文提出了一种新的高精度车道线检测多任务融合网络体系结构。首先，以ERFNet为骨干，提取道路图像的层次特征；然后，利用图像分割方法检测车道线。最后，结合车道线检测的输出和主干网提取的层次特征，利用热图回归对车道消失点进行预测。利用公共CULane数据集对所提出的融合策略进行了测试。实验结果表明，该方法的车道检测精度优于最新的SOTA方法。
**关键词：**车道线检测；消失点检测；ERFNet；热图回归

一、介绍

近年来，自动驾驶技术[1]已成为人工智能领域最热门的投资方向之一。车道检测作为自动驾驶系统的重要组成部分，受到了越来越多的研究者的关注。目前，在简单的情况下，车道检测算法的性能是可以接受的。然而，在光线暗淡、阴影等恶劣环境[3]下，车道检测算法的性能明显下降。

现有的车道检测算法可分为两类:基于深度学习的车道线检测算法和传统的车道线检测算法。
传统的算法首先提取手工特征，然后对手工特征进行后处理，最后得到车道估计结果。常用的手工特征包括颜色特征[4]、线段检测(LSD)特征[5]、霍夫变换特征[6]等。传统车道线检测算法有两个缺点：1）手工提取特征是场景的浅层特征，其表现能力有限，易受场景噪声的影响；2）后处理方法的特征集成能力也受到限制。因此，非深度学习的车道线检测方法的性能并不理想。
近年来，深度学习技术在图像分析领域取得了一系列重大突破。因此，研究者试图利用DL技术来解决复杂