代碼：https://github.com/MaybeShewill-CV/lanenet-lane-detection

自動駕駛將在未來十年給旅行帶來革命性的變化。目前，自動駕駛應(yīng)用正在進(jìn)行各種應(yīng)用案例的測試，包括乘用車、機(jī)器人出租車、自動商業(yè)送貨卡車、智能叉車和用于農(nóng)業(yè)的自動拖拉機(jī)。

自動駕駛需要一個計算機(jī)視覺感知模塊來理解和導(dǎo)航環(huán)境。感知模塊的作用包括：

• 檢測車道線
• 檢測其他物體：車輛、人、環(huán)境中的動物
• 跟蹤檢測到的對象
• 預(yù)測他們可能的運動

一個好的感知系統(tǒng)應(yīng)該能夠在各種駕駛條件下 —— 白天/晚上，夏天/冬天，雨雪等等，實時做到這一點。在這篇博客中，我們著眼于一個實時模型，用于檢測車道線、其他車輛等，并生成警報。

車道檢測問題通常被定義為語義或?qū)嵗指顔栴}，目標(biāo)是識別屬于車道類別的像素。

TUSimple是車道檢測任務(wù)常用的數(shù)據(jù)集。該數(shù)據(jù)集包含3626個道路場景的標(biāo)注視頻剪輯。每個剪輯有20幀。這些數(shù)據(jù)是通過安裝在車上的攝像頭捕捉到的。下面分享了一個示例圖像及其標(biāo)注。

在這個數(shù)據(jù)集上，我們可以訓(xùn)練一個語義分割模型來分割出屬于lane類的像素。U-Net model非常適合做這個，因為它是一個具有實時推理速度的輕量級模型。U-Net是一種帶有跳躍連接的編譯碼器和解碼器模塊的編譯碼器模型。模型架構(gòu)如下所示。

然而，損失函數(shù)需要修改為Dice損失系數(shù)。車道線分割問題是一個極其不平衡的數(shù)據(jù)問題。圖像中的大多數(shù)像素屬于背景類。Dice Loss基于Sorenson-Dice系數(shù)，其對false positives和false negatives的重要性相似，這使得它在處理不平衡數(shù)據(jù)問題時表現(xiàn)得更好。Dice損失試圖匹配groundtruth和預(yù)測模型中的車道線像素，希望能夠得到一個清晰的邊界預(yù)測。

這里，我使用了LaneNet模型來生成車道線。LaneNet模型是一種兩階段車道線預(yù)測器。第一階段是一個編碼器-解碼器模型，為車道線創(chuàng)建分割掩碼。第二階段是車道先定位網(wǎng)絡(luò)，從掩碼中提取的車道點作為輸入，使用LSTM學(xué)習(xí)一個二次函數(shù)來預(yù)測車道線點。

下圖顯示了這兩個階段的運行情況。左邊是原始圖像，中間是階段1的車道線掩碼輸出，右邊是階段2的最終輸出。

我將車道線預(yù)測與物體檢測結(jié)合起來，生成智能警報。這些智能警報可能涉及：

• 檢測其他車輛是否在車道線內(nèi)，并量度與他們的距離
• 檢測鄰近車道上是否有車輛的存在
• 了解彎曲道路的轉(zhuǎn)彎半徑

在這里，我使用YOLO-v5來檢測道路上的汽車和人。YOLO-v5在檢測道路上的其他車輛方面做得很好。推理時間也非?？臁?/span>

下面我們用YOLO v5來測量自己的車和前面最近的車的距離。模型返回的距離以像素為單位，可以根據(jù)相機(jī)參數(shù)轉(zhuǎn)換成米。由于TUSimple數(shù)據(jù)集的相機(jī)參數(shù)未知，我根據(jù)車道線的標(biāo)準(zhǔn)寬度估計了像素到米的轉(zhuǎn)換。

我們可以類似地計算車道的曲率半徑，并將其用于汽車的轉(zhuǎn)向模塊。

在這篇博客中，我們探討了在自動駕駛中準(zhǔn)確和快速檢測車道線的問題。然后，我們使用YOLOv5來構(gòu)建對道路上其他物體的理解。這可以用來生成智能警報。