车道线检测相关论文极简笔记

Lane Detection and Classification for Forward Collision Warning System Based on Stereo Vision

基本都是传统方法，只是在车道线分类时用到了cnn

 

Towards End-to-End Lane Detection an InstanceSegmentation Approach 

论文笔记 论文笔记2 论文笔记3

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，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），H-net学习变换矩阵。

设计了多任务网络分支，包括一个车道分割分支和一个车道嵌入分支，可以进行端到端的训练。车道分割分支具有两个输出类别，即背景或车道，而车道嵌入分支进一步将分段的车道像素分解成不同的车道实例。通过将车道检测问题分解为上述两个任务，我们可以充分利用车道分割分支的功能，而不必为不同的车道分配不同的类别。相反，使用聚类损失函数训练的车道嵌入分支将车道ID分配给来自车道分割分支的每个像素，同时忽略背景像素。

Real-time Lane Marker Detection Using Template Matching with RGB-D Camera

注：没有用到深度学习

摘要：本文讨论了车道检测问题，这是自动驾驶车辆的基础。我们的方法利用单个RGB-D相机记录的颜色和深度信息，以更好地处理负面因素，如照明条件和类似车道的物体。在该方法中，首先将颜色和深度图像转换为半二进制格式和3D点的2D矩阵。然后将它们用作模板匹配和几何特征提取过程的输入，以形成响应图，使得其值表示像素是车道标记的概率。为了进一步改善结果，模板和车道表面最终通过主成分分析和车道模型拟合技术进行了细化。已经对合成和真实数据集进行了许多实验。结果表明，所提出的方法可以有效地消除不需要的噪声，以准确地检测各种情况下的车道标记。此外，在流行的膝上型计算机的硬件配置下，每秒20帧的处理速度允许所提出的算法被实现用于实时自动驾驶应用。

EL-GAN: Embedding Loss Driven Generative Adversarial Networks for Lane Detection 

论文笔记

用GAN来做车道线检测

LaneNet: Real-Time Lane Detection Networks for Autonomous Driving  

关键点：考虑了计算消耗，车载的实时性，应用深度分离卷积；两阶段；只识别了线，没有识别箭头斑马线等

摘要：在本文中，我们提出了一种基于深度神经网络的方法，名为LaneNet，将车道检测分解为两个阶段：车道边缘提议和车道线定位 （lane edge proposal and lane line localization）。第一阶段使用车道边缘提议网络进行逐像素车道边缘分类，第二阶段的车道线路定位网络然后根据车道边缘提议检测车道线路。请注意，我们的LaneNet的目标仅用于检测车道线，这在抑制道路上类似车道标记（如箭头和字符）上的错误检测方面存在更多困难。尽管存在各种困难，但我们的车道检测对于公路和城市道路情景方法都显示出稳健性，而不依赖于车道编号或车道线模式的任何假设。

In the lane edge proposal stage, the proposal network runs binary classification on every pixel of an input image for generating lane edge proposals, which are served as the input to the lane line localization network in the second stage.The encoder takes an IPM（Inverse Perspective Mapping逆透视变换） image of the front view of a vehicle as the input, and hierarchically extracts the features. The decoder progressively recovers the resolution of the feature map and produce a pixel-wise lane edge proposal map.

The neural networks in both stages are designed for high accuracy, low computational cost, and high running speed. Specifically, a light-weight encoder-decoder architecture is  adopted for lane edge proposal, where stacked depthwise separable convolution and 1×1 convolution layers are used for fast feature encoding, and non-parametric decoding layers for fast feature resolution recovery. The obtained proposal map is then transformed to lane edge coordinates and fed to the second stage, where, a high-speed lane line localization network, consisting of a point feature encoder and a LSTM decoder, localize the lane lines robustly under various scenarios.

测试效率： 

Additionally, when using a NVIDIA Titan Xp GPU, our lane edge proposal network runs at the speed of 330 frame per second (FPS), and the lane line localization network is even 4 times faster, which enable our entire LaneNet to process images at the speed of 250 FPS. When running on an embedded GPU platform, e.g. NVIDIA Jetson TX1, the speed turns to 26 FPS without specific modifications, which is fast enough for real-time detection. The model size of the entire LaneNet is restricted to less than 1GB. Both the Compact model size and the high running speed further enable the deployment of our LaneNet on vehicles. 

Real-time stereo vision-based lane detection system

未应用cnn

LineNet: a Zoomable CNN for Crowdsourced High Definition Maps Modeling in Urban Environments  arXiv.org2018.07

笔记

关键词：建模高清地图；LineNet效果超过SCNN和VPGNet

摘要：高清（HD）（High Definition (HD) maps）地图在现代交通场景中发挥着重要作用。然而，由于成本限制，高清地图覆盖的发展缓慢增长。为了有效地建模高清地图，我们提出了一种卷积神经网络，它具有一个新颖的预测层和一个称为LineNet的缩放模块。它专为无序的众包图像数据集中的最先进的车道检测而设计。我们引入了TTLane，这是一种用于城市道路建模应用中高效车道检测的数据集。结合LineNet和TTLane，我们提出了一个pipeline，用于首次使用众包数据对HD地图进行建模。即使使用不准确的众包数据，也可以精确地构建地图。

Multiple Lane Detection Algorithm Based on Optimised Dense Disparity Map Estimation 

没有用到cnn

摘要：车道检测对于自动驾驶车辆非常重要。近年来，计算机立体视觉已被普遍用于提高车道检测系统的准确性。本文主要提出了一种基于优化密集视差图估计的多道检测算法，其中利用时间t_ {n}获得的视差信息优化时间t_ {n + 1}的视差估计过程。这是通过在时间t_ {n}估计道路模型然后在时间t_ {n + 1}控制视差估计的搜索范围来实现的。然后使用我们先前公布的算法检测车道，其中消失点信息用于对车道进行建模。实验结果表明，视差估计的运行时间减少了约37％，并且车道检测的准确度约为99％。

Efficient Road Lane Marking Detection with Deep Learning 

关键词： Lane Marking Detector (LMD) ；dilated convolution ；比较常规的流程，语义分割加后处理

3D-LaneNet: end-to-end 3D multiple lane detection

关键词：intra-network inverse-perspective mapping (IPM) and anchor-based lane representation

摘要：我们引入了一个网络，可以直接从单个图像预测道路场景中车道的3D布局。这项工作标志着首次尝试使用板载感应来解决此任务，而不是依赖于预先映射的环境。我们的网络架构3D-LaneNet应用了两个新概念：网内逆透视映射（IPM）和基于锚的通道表示。网内IPM投影有助于在常规图像视图和顶视图中的双重表示信息流。(有点像Accurate and robust lane detection based on dual-view convolutional neutral network. In Intelligent Vehicles Symposium (IV), 2016 IEEE, pages 1041–1046. IEEE, 2016.combined features from the front view and Birds-EyeView for lane detection.)每列锚定输出表示使我们的端到端方法能够取代常见的启发式方法，例如聚类和异常值拒绝。此外，我们的方法明确处理复杂的情况，如车道合并和拆分。有希望的结果显示在新的3D泳道合成数据集上。为了与现有方法进行比较，我们在仅图像的tuSimple车道检测基准上验证了我们的方法，并达到了竞争性能。

End to End Video Segmentation for Driving : Lane Detection For Autonomous Car

摘要：在本文中，（GCN）模型用于解决车道语义分段的分类和本地化问题。我们使用基于颜色的分割，并评估模型的可用性。基于残差的边界细化和亚当优化也用于实现最先进的性能。由于普通汽车无法负担汽车上的GPU，并且几辆汽车可以共享特定道路的培训课程。我们提出了一个框架，让它在现实世界中运作。我们构建了一个实时视频传输系统，用于从汽车获取视频，在边缘服务器（配备GPU）中训练模型，并将训练好的模型发送回汽车。

Geometric Constrained Joint Lane Segmentation and Lane Boundary Detection ECCV|2018笔记

 

Deep Neural Network for Structural Prediction and Lane Detection in Traffic Scene 2017 IEEE.

关键词：cnn+rnn

《(SCNN)Spatial As Deep: Spatial CNN for Traffic Scene Understanding》 AAAI 2018 笔记