针对车道线检测的任务,我们需要弄清楚几个问题:
1.车道线的表示形式?
- 输出类型:掩码/点集/矢量线条
- 实例化:每个车道线是否形成实例
- 分类:是否对车道线进行了分类(单白、双黄等)
- 提前定义的参数:是否只能检测固定数量的车道线
- 车道标记:是否对车道上的行车标记也做了检测
这会影响到数据的标注和网络的输出形式,而且*终需要的是车道线在世界坐标系下的方程。而神经网络更适合提取图像层面的特征,直接回归方程参数有较多限制。所以,网络推理输出后需要相对复杂的后处理去解决真实坐标的问题。
注1:文末附【SLAM】交流群
注2:计算机视觉书籍汇总
注3:整理不易,请点赞支
2.神经网络推理到哪一步?
- 图像分割方案倾向于像素点的分类,该像素点是否属于车道线标识并对标识类别进行判断;
- 图像检测方案倾向于抽象出分割边界线,在设定的一系列anchor中判断是否存在车道线,以及回归车道线的位置参数。
逐像素的车道线标识本身 or 表征出抽象的车道分隔边界线。
数据集
- 需要各场景类别的数据平衡,比如高速公路,辅路,盘山路,夜晚,雨天等数据
- 检查筛选出质量较好的图片,比如高速公路夜间的数据和雨中驾驶的视频较为模糊
- 相近的图片抽帧标注,可以每10张抽取1张,比如低速的多张图片相似会造成准确率虚高
- 增广小类别的图片,比如查看车道线系数直方图,再小幅度旋转使每个系数分布更为合理
- 缩放并归一化数据,加速收敛