2D车道线检测算法总结
关于2D车道线检测算法的总结主要分为两类:一类基于语义分割来做,一类基于anchor和关键点来做。还有基于曲线方程来做的,但是落地的话还是上面两种为主。
一、基于语义分割的车道线检测算法
1.LaneNet
论文创新点:
1.将车道线检测看作一个实例分割问题,在网络里除了语义分割头,还有一个embedding头用来聚类实例的。
2.通过embedding向量和聚类的后处理,使得模型可以检测很多车道线(没有先验个数限制)。
模型结构
backbone+2个head,一个是语义分割头,一个是聚类头。根据语义分割得到哪些像素是车道线,然后再根据聚类头的向量,使用聚类算法对车道线像素进行实例化。得到实例化后进行拟合。论文里使用的聚类算法是meanshift,后续开源代码里有用DBSCAN的,但是他们的耗时都很多,无法满足上车需求。
LOSS的使用
为了均衡正负样本比例,语义分割loss使用的加权交叉熵损失计算。
聚类分支loss使用的var loss和dist loss组成,var使得同类之间靠拢,dist使得不同类的中心相互远离彼此。
2.SCNN
传统的网络是在层与层之间进行卷积,长宽同样的进行信息聚集,并没有很好的利用车道线的形状先验。本论文提出了Spatial CNN,其在一层特征图上按照上下左右的方向有顺序的进行切片卷积,从而使网络可以更好地提取车道线特征。
上图中(a)是训练流程,(b)是推理流程。看到论文里假设最多有四条车道线。对于存在值大于0.5的每个车道标记,我们每隔20行搜索相应的概率图,以获得响应最高的位置。然后通过三次样条函数连接这些位置,这是最终的预测。
代码分析
def message_passing_forward(self, x):self.message_passing = nn.ModuleList()# 从上到下,使用 1*8的卷积。self.message_passing.add_module('up_down', nn.Conv2d(128, 128, (1, ms_ks), padding=(0, ms_ks // 2), bias=False))# 从下到上也是 1*8self.message_passing.add_module('down_up', nn.Conv2d(128, 128, (1, ms_ks), padding=(0, ms_ks // 2), bias=False))self.message_passing.add_module('left_right',nn.Conv2d(128, 128, (ms_ks, 1), padding=(ms_ks // 2, 0), bias=False))self.message_passing.add_module('right_left',nn.Conv2d(128, 128, (ms_ks, 1), padding=(ms_ks // 2, 0), bias=False))Vertical = [True, True, False, False]Reverse = [False, True, False, True]# 对四个方向进行遍历for ms_conv, v, r in zip(self.message_passing, Vertical, Reverse):x = self.message_passing_once(x, ms_conv, v, r)return xdef message_passing_once(self, x, conv, vertical=True, reverse=False):"""Argument:----------x: input tensorvertical: vertical message passing or horizontalreverse: False for up-down or left-right, True for down-up or right-left"""nB, C, H, W = x.shapeif vertical: #如果是竖直方向,则沿着H进行切片# 得到一个长为H的数组,里面的元素维度[B, C, 1, W]slices = [x[:, :, i:(i + 1), :] for i in range(H)]dim = 2else: #如果是横向,则沿着W进行切片,得到一个长为W的数组,里面的元素维度[B, C, H, 1]slices = [x[:, :, :, i:(i + 1)] for i in range(W)]dim = 3if reverse:slices = slices[::-1]out = [slices[0]] #第一个切片不操作for i in range(1, len(slices)):out.append(slices[i] + F.relu(conv(out[i - 1]))) #当前切片 等于当前值+前一个切片卷积完的结果if reverse:out = out[::-1]return torch.cat(out, dim=dim)
通过代码分析我们看到,其对切片进行遍历,当前切片的特征是由前一层切片卷积后+当前切片的原始特征得到的,所以是顺序执行的,这样的计算非常耗时。于是引出下一篇文章RESA。
3.RESA
(91条消息) RESA车道线路沿检测_CVplayer111的博客-CSDN博客
这个代码里RESA采用的并行计算,所有切片同时+前面的切片卷积激活结果。这样直接x[...,idx,.]就行,不用像SCNN里生成切片数组。一个一个顺序进行。同时还提出了双边上采样结构,upsample双线性插值得到粗粒度特征,转置卷积得到细粒度特征。
4.LaneAF
(91条消息) LaneAF论文解读和代码讲解_CVplayer111的博客-CSDN博客
将传统聚类后处理去掉,根据模型预测的方向向量来实例化像素点,生成的一维HAF进行行像素分类,然后根据二维的VAF进行不同行之间的关联。
二、基于anchor和关键点的车道线检测算法
1. UFSA
首先论文分析了当前基于语义分割算法的痛点,每个点都预测分辨率太大,耗时严重导致速度慢,同时其感受野有限,只有局部的感受野,对于车道线模糊,遮挡问题不好。
论文将车道线检测问题转化为Row anchors上的分类问题,Row anchors是预定的行位置,论文里是18个行anchor。每一行都被划分为许多单元格,车道线检测就变为在行anchor上选择单元格。
其中h表示行数,w表示每行多少个网格,都是人为设定的。远小于原图像的H*W,所以计算效率大大提升。比如我们设定网络可以检测c个车道线,那么语义分割的复杂度是 (c+1)*H*W,而我们的是(w+1)*c*h.
损失函数方面,加入了结构损失,用相邻行差值来约束车道线的光滑性,用二阶差分来约束车道线是直线。
网络结构如图所示,加入了语义分割的辅助分支,在推理的时候去掉,主要为了实现主干网络全局和局部信息的聚合。骨干网络后加入FC层,然后再reshape成h*w的形状进行预测。
算法缺陷:只能预测固定的数量车道线,同时只能检测纵向的车道线,其他方向就不行,因为结构损失约束。
2.FOLOLane
是一种基于关键点检测的方法,将车道线检测看作局部的几何建模。论文指出以往的聚类后处理使得推理非常复杂,同时像素级的曲线拟合是冗余的和有噪声的。
图片经过CNN处理,得到四个特征图,一个heatmap用来预测关键点出现的概率,其余三个用来预测当前点,上面的,下面的三个关键点的x偏移。在训练时,将每个车道线标注的点插值成连续的像素点,使用未归一化的高斯核对这些点周围的像素点处理。计算focalloss时,只有等于1的才是正样本。此时把图像沿着高度方向等间距画线,距离为固定值y,,等分线与刚才插值得到的像素点的交点称为关键点,对于这个关键点来说,模型预测三个偏移值,一个是这个关键点的偏移,另外两个是与其间隔y的两个点的偏移。已知当前关键点,就可以求出上下两个关键点。上下关键点偏移的loss计算是:
相当于根据P关键点的坐标+与其预测的间隔y的两个关键点偏移,得到这两个点的预测坐标,求预测坐标与GT坐标的x偏移。对于当前点的x偏移loss公式如下:
这个我不太懂啥意思,到时候看代码。
有了上面的预测结果,如何来解码全局的车道线结构。论文中给了两种方法,一种是精细的计算方法,耗时,一种是简单的计算方法。我主要介绍简单的计算方法。
1.先以等间距y画好线,所有线上具有最高响应的点组成current key_point
2.根据三个偏移计算相关点
3.current key_point集合内部建立相关性,根据当前行关键点预测的上下行的关键点与上下行的current key_point求距离,离的最近就是关联的。
4.从具有最多current key_point的行开始,根据3建立相关性,不断的向两边关联,组成一个group,然后再根据x横向偏移对关键点的x坐标进行修正。
3.LaneATT
基于anchor的车道线检测算法,速度特别快。同时提出了一种基于anchor的注意力机制
首先图片经过backbone得到图像特征,然后根据anchor对特征进行池化,得到每个anchor的局部特征,随后经过一个FC和softmax与其他的anchor做注意力机制,得到全局特征,全局特征与局部特征相加,进行分类和预测。
anchor定义
使用起始点x0,y0和角度来表示anchor,起始点从图像边界出发,在左右下三个边界共有2782个anchor,训练时,我们统计其为正样本的次数,选取前1000个,在推理时就用这1000个。
车道线定义
沿图像纵向做等分操作,得到等分点72个,对于这72个固定的y,因此72个对应x就决定了不同车道线的差异,因为车道线不会贯穿整个图像,所以会有一个s和e表示x的起始终止范围,也就是车道线的有效范围。
anchor_pooling池化操作
对于每一个anchor都要从图像特征里聚合特征,特征图宽度为,那么从0到Hf-1有Hf个y坐标,根据anchor的起始点和角度,可以得到个xy点,得到anchor特征,有些点的xy不在特征图里,那么其特征在里为0。
注意力机制
anchor_pooling之后得到的特征向量是局部特征,于是论文提出一个注意力机制来产生一个全局特征。每一个anchor的特征经过FC和softmax求得与其他anchor的权重,这个过程可以并行计算。
每个anchor全局特征的维度[CF,HF],和局部特征一样,可以直接concate。
预测头
concate之后送入两个全连接层,一个用于分类,k个车道线类别+1个背景,输出一个K+1维的向量。一个用于回归,输出一个L长度和72个x的偏移。
NMS后处理
计算两x公共范围里的点的距离,用这个距离对网络预测的车道线进行NMS操作。在训练时正负样本的定义也是根据anchor和GT的这个距离来定义,大于多少的为负样本,小于多少的为正样本。
4.CLRNet
2D车道线检测算法总结相关推荐
- 2D车道线检测、车位检测、BEV感知工作总结
作者 | MrTian 编辑 | 汽车人 原文链接:https://zhuanlan.zhihu.com/p/601731464 点击下方卡片,关注"自动驾驶之心"公众号 ADA ...
- ECCV2020 | Gen-LaneNet:百度Apollo提出两阶段的3D车道线检测算法,已开源
点击上方"3D视觉工坊",选择"星标 干货第一时间送达 这篇文章收录于ECCV2020,是百度Apollo团队发表的关于3D车道线检测的文章,针对3D-LaneNet做了 ...
- 自动驾驶中的车道线检测算法汇总
对近两年来车道线检测算法进行汇总,后期将会保持不断更新~ 1.Efficient Road Lane Marking Detection with Deep Learning 2.VPGNet: Va ...
- 实时车道线检测算法 | LaneATT-250FPS LSTR-420FPS
车道线检测领域突然飞速发展,关注一下最新的两篇文章 一.Keep your Eyes on the Lane: Attention-guided Lane Detection 论文地址:https:/ ...
- 车道线检测算法经典编程
车道线检测算法经典编程 车道线曲线拟合算法编程 计算经过(50,50),(90,120),(70,200)三点的Catmull_Rom样条曲线. IplImage* img = cvCreateIma ...
- Transformer 又立功了!又快(420 fps)又好的车道线检测算法
点击上方↑↑↑"视学算法"关注我 来源:公众号 我爱计算机视觉 授权 分享一篇新出的论文 End-to-end Lane Shape Prediction with Transfo ...
- 详解车道线检测算法之传统图像处理
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 / 导读 / 车道线检测算法分为传统图像处理方法和深度学习方法.本文详细介绍用传统图像处理方法来解决车 ...
- sift线特征提取代码_Transformer 又立功了!又快(420 fps)又好的车道线检测算法
分享一篇新出的论文 End-to-end Lane Shape Prediction with Transformers,该文为车道线检测问题建立参数模型,使用Transformer捕获道路中细长车道 ...
- 速度最快250fps!实时、高性能车道线检测算法LaneATT
CVPR 2021 车道线检测方向论文:Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection . 论文: http ...
最新文章
- 厌倦了“复制粘贴”,我辞去了年薪45万美元的开发工作
- IPv6:不仅仅是数字加减法那么简单
- 《剑指offer》第四十九题(丑数)
- 从 12306 订购火车票 无需FQ
- [2011山东ACM省赛] Identifiers(模拟)
- 单片机方波幅度调节c语言,为什么我用单片机做的频率可调的方波输出会有尖刺,而且会断...
- 利用 Zabbix 监控 mysqldump 定时备份数据库是否成功 | 运维进阶
- 爬虫python需要安装吗_python爬虫需要安装什么
- 注解与 xml 实现aop哪种好_Spring 从入门到入土——AOP 就这么简单!| 原力计划
- 计算机开启宏功能吗,如何在excel2016正式版中启用/设置宏功能?
- 帝国CMS二次开发在模板里调用本地正规api代码自动生成二维码
- 计算机电脑怎么开热点,怎么在电脑上开热点?电脑开热点的两种方法介绍
- Ts的infer类型推导
- 598. 范围求和 II【我亦无他唯手熟尔】
- kNN实现手写数字识别
- 正规的打码网站使用方法有哪些
- 对于气缸型号表示的内容与与含义说明
- 虚拟机kali升级最新_kali安装、改变更新源、vmware tools、虚拟机全屏
- 信息学奥赛C++编程:鸡尾酒疗法
- java获取工作日 日历接口_节假日api接口之获取指定日期的节假日信息
热门文章
- 更换window上文件夹图标和记事本图标
- ChatGPT如何生成可视化图表-示例中国近几年出生人口
- 【数据结构与算法】马踏棋盘(骑士周游世界)算法
- jackson中@JsonProperty、@JsonIgnore等常用注解总结
- Tor 技术和 Torpark 浏览器
- apple企业开发账号的用途
- 开发者说 | 地平线程序员奶爸带你玩转机器人开发平台 —— 第一期 手势控制
- c语言 case语句用大括号,c++ - 关于“ switch”中“ case”语句中的花括号 - 堆栈内存溢出...
- android显示图片的两种方法
- MFC tabcontrol切换界面