【车道线检测论文】 LaneNet

最新推荐文章于 2025-05-14 13:13:46 发布

三十八元

最新推荐文章于 2025-05-14 13:13:46 发布

阅读量2.4k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：计算机视觉论文阅读文章标签：实例分割

本文链接：https://blog.youkuaiyun.com/sanshibayuan/article/details/103645440

论文《Towards End-to-End Lane Detection an Instance Segmentation Approach》提出LaneNet模型，通过二值分割和实例分割实现车道线检测。该模型包含二值分割分支和实例分割分支，解决车道线实例区分问题。使用聚类损失函数改进了车道线像素的聚类效果，H-Net模型动态学习透视变换矩阵参数，提高拟合质量和鲁棒性。在图森数据集上取得了96.4%的精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文名称：《Towards End-to-End Lane Detection an Instance Segmentation Approach》
论文链接：https://arxiv.org/abs/1802.05591
参考代码（非官方）：https://github.com/MaybeShewill-CV/lanenet-lane-detection

综述

背景介绍

传统车道线检测方法主要依赖于高度专门化，手工提取特征和启发式方法来分割车道线。在传统方法中，较为常见的手工特征有基于颜色的特征、结构传感器特征、Ridge特征等，结合Hough变换或卡尔曼滤波等方法实现车道线识别。识别出车道线之后，利用后期图像处理技术过滤掉误检等情况得到最终车道线。

近些年来，更为流行的方法是用深度网络提取深度特征代替手工特征，实现如像素级别的车道线分割。目前流行的深度学习车道线检测方法可以很好地分割出车道线像素，其较为大的感受野可以在标注模糊或无标注的情况下估计出大致车道线。

然而这些方法产生的二值化车道线分割图仍需要分离得到不同的车道实例。为处理这个问题，一些方法采用后处理来解决，主要是用启发式的方法，比如几何特性。但启发式方法计算量大且受限于场景变化鲁棒性问题。另一条思路是将车道检测问题转为多类别分割问题，每条车道属于一类，这样能实现端到端训练出分类好的二值图像。但该方法受限于只能检测预先定义好的固定数量的车道线，无法处理车道的变化。

基于此，作者提出了LaneNet模型，不仅能够得到车道线像素，还能将不同的车道线实例区分开。

得到车道线实例后，需要对每条车道线进行描述。最常用的描述方法是曲线拟合车道线模型，目前流行的曲线拟合模型有三次多项式，样条曲线，回旋曲线等。为了提高拟合质量且保持计算效率，通常