車道線自動檢測系統(tǒng)的案例
基于Python的復(fù)雜環(huán)境中車道線自動檢測系統(tǒng)
霍夫變換
在本節(jié)中，我們使用了霍夫變換和一些修改，以刪除水平檢測到的線和僅面向車道的線。代碼：def hough_transform（原始，gray_img，閾值，discard_horizontal = 0.4）：“”“函數(shù)擬合線相交> =閾值白色像素的函數(shù)輸入：-原始-我們要在其上畫線的圖像-gray_img-白/黑圖像像素，例如Canny Edge Detection的結(jié)果-閾值-如果一條線相交超過閾值白色像素，則將其畫出-throws_horizontal-我們要考慮的線的最小abs導(dǎo)數(shù)返回：-image_lines-應(yīng)用函數(shù)的結(jié)果- lines_ok-rho和theta“”“線= cv2.HoughLines（gray_img，0.5，np.pi / 360）。
卡爾曼濾波器卡爾曼濾波器是一種算法，該算法使用一段時間內(nèi)對系統(tǒng)的嘈雜觀測值來估計系統(tǒng)參數(shù)（其中一些是不可觀察的）并預(yù)測未來的觀測值。它會在每個時間步進行預(yù)測，進行測量并根據(jù)預(yù)測和測量的比較方式進行自我更新。
在這里，LaneTracker類實現(xiàn)用于車道檢測的卡爾曼濾波器。首先，它初始化狀態(tài)矩陣和測量矩陣的大小。然后，它計算了轉(zhuǎn)移矩陣。我們將白高斯噪聲用于我們的系統(tǒng)。使用此噪聲模型，我們已經(jīng)計算了狀態(tài)誤差，并在估算器中使用該測量噪聲生成了預(yù)測狀態(tài)?？柭鼮V波器通過將測量誤差和先前狀態(tài)相加來平均沿車道檢測到的線的變化。這就是為什么檢測到的車道標記線隨時間推移保持穩(wěn)定的原因，并且由于其在以前的狀態(tài)下仍具有預(yù)測特性，因此在非常低的光照條件下，它可以通過記住先前視頻幀中的先前檢測到的車道來檢測車道。
展開 用于自動駕駛的實時車道線檢測和智能告警
作者 |
Priya Dwivedi（編譯:ronghuaiyang）
來源 |
AI公園
知圈
|
進“域控制器群”請加微13636581676,備注
域
導(dǎo)讀
車道線檢測 + 距離告警 + 轉(zhuǎn)彎曲率半徑計算。
代碼：https://github.com/MaybeShewill-CV/lanenet-lane-detection
來自模型的車道線預(yù)測
介紹
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)用正在進行各種應(yīng)用案例的測試，包括乘用車、機器人出租車、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。
自動駕駛需要一個計算機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。
訓練一個實時的車道線檢測器
車道檢測問題通常被定義為語義或?qū)嵗指顔栴}，目標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注。
展開 車道線檢測方法的一些近期論文
本文選取了最近發(fā)表的車道線檢測論文，都是基于深度學習方法，但考慮的角度有所不同：檢測、分割和后處理等。
1. “Ultra Fast Structure-aware Deep Lane Detection，arXiv 2004.11757，4，2020
車道線檢測任務(wù)看成是基于全局圖像特征的行選擇（row selection）分類問題。其中提出一個structural loss 明確建模結(jié)構(gòu)信息，速度很快，300+ FPS。
代碼上線：github.com/cfzd/Ultra-F.
如圖顯示如何選擇行的問題：在每個row anchor水平選擇。
設(shè)X是全局圖像特征，f是分類器選擇一行的車道線位置，即車道線預(yù)測定義為：
設(shè)T是位置的one-hot編碼，則分類器的優(yōu)化形式是：LCE是cross entropy loss
下圖顯示分割和行選擇的區(qū)別：這種方法依賴的是整個圖像的感受野，遠遠大于分割網(wǎng)絡(luò)的有限感受野。
除了分類損失項，還有對location的建模。
展開 用于自動泊車的鳥瞰圖的邊緣線的語義SLAM系統(tǒng)
盡管這些方法已經(jīng)取得了重大進展，但需要大量的標記圖像來訓練模型，特別是當系統(tǒng)適應(yīng)新的不常見環(huán)境時。
圖1。我們的自動代客泊車解決方案概述，包括（a）我們的自動車輛上的魚眼攝像頭捕獲的樣本圖像，（b）通可行駛空間分割結(jié)果的視圖合成生成的鳥瞰視圖圖像，（c）語義視覺SLAM系統(tǒng)的提取邊緣，以及（d）構(gòu)建的邊緣點云地圖以及軌跡。
在本文中，我們提出了一種混合語義信息提取方法，該方法結(jié)合了經(jīng)典的無監(jiān)督邊緣線檢測器和一組基于IPM的邊緣分割方法。如圖1（b）所示，我們的框架只需要對可行駛空間進行粗略分割，而不需要對道路標線進行精細分割，這可以大大減少數(shù)據(jù)標注的負擔，使用我們的邊緣分割方法，可以利用IPM的先驗知識對大多數(shù)噪聲和扭曲的邊緣（例如眩光邊緣和地面上物體的輪廓）進行過濾（圖1（c））。因此，可行駛空間內(nèi)的鳥瞰圖的邊緣線和可行駛空間的輪廓都可以組合為混合邊緣信息，并輸入SLAM系統(tǒng)進行定位和建圖，我們發(fā)現(xiàn)，圖1（d）中生成的邊緣點云地圖清楚地反映了地面上的道路標記。
相關(guān)工作
A.多相機系統(tǒng)的視覺SLAM
增加視覺SLAM系統(tǒng)中的相機數(shù)量可以顯著提高系統(tǒng)的準確性和魯棒性，因此，越來越多最先進的視覺SLAM框架，如SVO、VINS Fusion和OpenVINS等方案均支持多相機配置，不同的相機型號和不同的相機設(shè)置已被廣泛研究。最近，Kuo等人重新設(shè)計了適用于任意多相機系統(tǒng)的視覺SLAM框架，該框架可以適應(yīng)各種攝像機配置。
展開 
