车道线检测技术分析(2)

二值语义分割主要采用CNN方法并引入一些方式提高语义分割精度，在 线的拟合阶段可以采用学习到的转换矩阵先将分割结果转换为鸟瞰图视角，然后，采用均匀取点+最小二乘法拟合，拟合方程可选三次方程。

1.《Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks》：采用CNN+RNN的方式，在Encoder和Decoder之间插入LSTM模块，对连续帧的输入预测二值分割图。

2.《Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending》：采用CNN的方式，通过多尺度融合和输出的方式提高定位精度，最后采用一种类似于NMS方法，将低层输出中位置精度回归较高的点逐步向高层输出替换，得到最后融合优化的车道线点输出。

3. 《Heatmap-based Vanishing Point boosts Lane Detection》：采用Encoder-Decoder结构，在车道线的预测Head以外，增加了一个Head用于消失点的预测；这种结构将特征提取阶段的输出和车道线预测的输出进行信息融合，再经过卷积层的处理后，输出消失点的预测结果。（类似VPGNet）

4. 《Lane Detection Model Based on Spatio-Temporal Network with Double ConvGRUs》：采用Encoder+RNN+ Decoder的方式，在Encoder和Decoder之间插入GRU模块，同样对连续帧的输入预测一张二值图。

5.《RESA: Recurrent Feature-Shift Aggregator for Lane Detection》：采用Encoder-Decoder的方式，在Encoder和Decoder部分之间，插入RESA模块，增强空间结构信息在全局的传播能力。（类似SCNN）

6. 《Real-Time LaneDtection Networks for Autonomous Driving》：采用Encoder+LSTM的方式，分割出车道线后采用聚类算法将不同的车道线进行区分，然后再通过一个HNet变换到鸟瞰视角去检测车道线。

7. 《Key Points Estimation and Point Instance Segmentation Approach for Lane Detection》：PiNet算法将车道线用点表示转换成点的回归问题，然后使用聚类算法区分不同车道线上的点和去掉一部分多余的点。

8. 《Ultra Fast Structure-aware Deep Lane Detection》：将车道线检测定义为寻找车道线在图像中某些行的位置的集合，即基于行方向上的位置选择、分类。

区别于上述车道线检测和曲线拟合分开两步去做的方式，还有一种端到端的车道线拟合，输入图片，输出车道线曲线模型参数。比如：《End-to-end Lane Detection through Differentiable Least-Squares Fitting》

性能指标

在评判True or False时，主要有两种方式：

End Point，通过判断线的端点间的距离及其包围面积是否超过阈值IOU，直接计算IOU的重叠面积

面临挑战

（1）车道线这种细长的形态结构，需要更加强大的高低层次特征融合，来同时获取全局的空间结构关系，和细节处的定位精度。

（2）车道线的形态有很多不确定性，比如被遮挡，磨损，以及道路变化时本身的不连续性。需要网络针对这些情况有较强的推测能力。

（3）车辆的偏离或换道过程会产生自车所在车道的切换，车道线也会发生左/右线的切换。一些提前给车道线赋值固定序号的方法，在换道过程中会产生歧义的情况。

作者：爱做菜的炼丹师

来源：CV研习社微信公众号

本文仅做学术分享，如有侵权，请联系删文。

文章来源：《分析测试技术与仪器》 网址: http://www.fxcsjsyyq.cn/zonghexinwen/2021/0303/499.html