中心思想
能够在基于anchor的检测框架中可靠的处理弯曲和直线车道。
1 首先,通过在训练集中执行车道的低秩近似来构造特征车道空间。基于奇异值分解(SVD)的低秩近似性质,近似一个包含训练集中所有车道的车道矩阵。
2 其次,在特征车道空间中对车道进行聚类生成候选车道,包括复杂车道和候选车道。
3 最后,给定一幅图像,利用SIIC-Net从候选车道中确定最优车道集。自车道识别(SI)模块和车道间相关(IC)模块。SI计算每个候选车道的分类概率和回归偏移量,IC估计每对车道之间的兼容性。
算法结构如图所示
整体流程
1 SI module:Self_lane identification,自车道识别,计算每个候选车道的分类该率和回归偏移量
2 IC module:Inter_lane correlation,车道间相关性,估计每对车道间的兼容性
3 ResNet18作为Encoder,提取特征
4 Ultra fast structureaware deep lane detection(辅助分支)作为decoder,生成二进制分割map。
5 NMS: 进行T次,选出T条有价值车道线。
6 MWCS:确定最优车道集
简单来说
1 基于training set中的lane Low_rank approximation来获得特征车道
2 通过特征车道的线性组合来近似每个车道
rank-M approximations
3 通过在特征车道空间中利用kmeans算法对车道进行聚类,生成候选车道
4 筛选出候选车道,分为直线和曲线候选集
5 SIIC-Module
(a)输入原图像
(b)SI模块和NMS模块筛选出TOP-10条车道线候选集
(c)and (d)MWCS确定最优车道,使用来自SI模块的回归偏移量来细化车道