點擊下面卡片關注“AI算法與圖像處理”,選擇加"星標"或“置頂”
重磅乾貨,第一時間送達
作者:Priya Dwivedi
編譯:ronghuaiyang 來源:AI公園
車道線檢測 + 距離告警 + 轉彎曲率半徑計算。
代碼:https://github.com/MaybeShewill-CV/lanenet-lane-detection
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,自動駕駛應用正在進行各種應用案例的測試,包括乘用車、機器人出租車、自動商業送貨卡車、智能叉車和用於農業的自動拖拉機。
自動駕駛需要一個計算機視覺感知模塊來理解和導航環境。感知模塊的作用包括:
-
檢測車道線 -
檢測其他物體:車輛、人、環境中的動物 -
跟蹤檢測到的對象 -
預測他們可能的運動
一個好的感知系統應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,我們着眼於一個實時模型,用於檢測車道線、其他車輛等,並生成警報。
訓練一個實時的車道線檢測器
車道檢測問題通常被定義爲語義或實例分割問題,目標是識別屬於車道類別的像素。
TUSimple是車道檢測任務常用的數據集。該數據集包含3626個道路場景的標註視頻剪輯。每個剪輯有20幀。這些數據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註。
在這個數據集上,我們可以訓練一個語義分割模型來分割出屬於lane類的像素。U-Net model非常適合做這個,因爲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。模型架構如下所示。
然而,損失函數需要修改爲Dice損失係數。車道線分割問題是一個極其不平衡的數據問題。圖像中的大多數像素屬於背景類。Dice Loss基於Sorenson-Dice係數,其對false positives和false negatives的重要性相似,這使得它在處理不平衡數據問題時表現得更好。Dice損失試圖匹配groundtruth和預測模型中的車道線像素,希望能夠得到一個清晰的邊界預測。
LaneNet模型
這裏,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測器。第一階段是一個編碼器-解碼器模型,爲車道線創建分割掩碼。第二階段是車道先定位網絡,從掩碼中提取的車道點作爲輸入,使用LSTM學習一個二次函數來預測車道線點。
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。
生成智能告警
我將車道線預測與物體檢測結合起來,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,並量度與他們的距離 -
檢測鄰近車道上是否有車輛的存在 -
瞭解彎曲道路的轉彎半徑
在這裏,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。推理時間也非常快。
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爲單位,可以根據相機參數轉換成米。由於TUSimple數據集的相機參數未知,我根據車道線的標準寬度估計了像素到米的轉換。
我們可以類似地計算車道的曲率半徑,並將其用於汽車的轉向模塊。
總結
在這篇博客中,我們探討了在自動駕駛中準確和快速檢測車道線的問題。然後,我們使用YOLOv5來構建對道路上其他物體的理解。這可以用來生成智能警報。
英文原文:https://towardsdatascience.com/real-time-lane-detection-and-alerts-for-autonomous-driving-1f0a021390ee
個人微信(如果沒有備註不拉羣!)
請註明:
地區+學校/企業+研究方向+暱稱
下載1:何愷明頂會分享
在「AI算法與圖像處理」公衆號後臺回覆:何愷明,即可下載。總共有6份PDF,涉及 ResNet、Mask RCNN等經典工作的總結分析
下載2:終身受益的編程指南:Google編程風格指南
在「AI算法與圖像處理」公衆號後臺回覆:c++,即可下載。歷經十年考驗,最權威的編程規範!
下載3 CVPR2021
在「AI算法與圖像處理」公衆號後臺回覆:
CVPR
,即可下載1467篇CVPR 2020論文 和 CVPR 2021 最新論文
點亮 ,告訴大家你也在看
本文分享自微信公衆號 - AI算法與圖像處理(AI_study)。
如有侵權,請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”,歡迎正在閱讀的你也加入,一起分享。