【车道线检测论文】 LaneNet

最新推荐文章于 2025-11-14 17:36:03 发布
原创 最新推荐文章于 2025-11-14 17:36:03 发布 · 2.4k 阅读 · 25 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#实例分割

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。

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

最低0.47元/天 解锁文章
【论文解读】LaneNet 基于实体分割的端到端车道线检测
黎国溥
07-27 6881
前言 这是一种端到端的车道线检测方法，包含LanNet+H-Net两个网络模型。 LanNet是一种多任务模型，它将 实例分割 任务拆解成“语义分割”和“对像素进行向量表示”，然后将两个分支的结果进行聚类，得到实例分割的结果。 H-Net是个小网络，负责预测变换矩阵H，使用转换矩阵H对同属一条车道线的所有像素点进行重新建模。即：学习给定输入图像的透视变换参数，该透视变换能够对坡度道路上的车道线进行良好地拟合。 整体的网络结构如下： 论文地址：Towards End-to-E......
深度学习车道线检测之 LaneNet （使用tensorflow2.4.0跑通）
热门推荐
tiger&sheep的博客
11-12 1万+
本文仅用来整理回顾所学知识。 参考链接：无人驾驶汽车系统入门（三十）——基于深度神经网络LaneNet的车道线检测及ROS实现_AdamShan的博客-优快云博客
车道线检测之LaneNet
年轻即出发，
03-19 1878
聚类分支负责将同一车道线的像素汇聚，不同车道线的像素拉开，输出聚类图。得到分割分支和聚类分支的结果后，需要进行后处理操作，对分割结果进行几何形态学处理从而去除孔洞，对去除孔洞的图像进行连通域处理，得到不同的连通域，对不同连通域图像基于聚类分支结果进行赋值，然后基于dbsan聚类，得到最终的实例分割结果。基于实例分割图，通过预先训练好的H-Net转化为鸟撖图，再基于曲线拟合得到车道线的曲线方程，从而得到像素点，将鸟撖图的像素点通过H-Net的逆变换矩阵还原到原图上，最终得到最终的车道线像素点。
车道线检测论文汇总
qq_22751305的博客
03-29 1837
2020年 SUPER: A Novel Lane Detection System 对语义分割模型采用层级分类，在推理过程中，每个子分类器根据自己的决策由其父分类器控制。通过这种方式，获得了更可靠的场景标签。在Apollo数据集中，车道标记标签比地面和目标标签更准确，因此在训练阶段只使用车道分割标签。然而，车道标记附近的一些地面区域很容易被误认为车道标记。为了解决这一问题，我们将车道标记扩展到附近，并将整个扩展区域标记为“道路”。被车辆等物体阻塞的道路区域将从标签中移除。下图展示了Apollo标签在扩
车道线检测 LaneNet
AI人工智能的海洋
10-14 2610
论文：https://arxiv.org/abs/1802.05591?context=cs 代码：https://github.com/MaybeShewill-CV/lanenet-lane-detection 作者：张松 核心思想： 采用实例分割的方式得到每条车道线的像素点集，通过学习出路面的透视投影矩阵，将前视图转换到鸟瞰图视角，拟合每条车道线的曲线方程，最后逆变换回原视图。 一、label数据 包含三个部分： 原图： 实例分割图： 二进制图片 二、框架结构 本文提出一种端到端的车道线检测算法
基于LaneNet模型的车道线检测
weixin_45736855的博客
04-14 2360
基于LaneNet模型的车道线检测
深度学习笔记（十二）车道线检测 LaneNet
u012132666的博客
04-20 1652
https://www.cnblogs.com/xuanyuyt/p/11523192.html
车道线检测：LaneNet论文解析
Airs-Gao的博客
04-15 3361
车道线检测：Towards End-to-End Lane Detection an Instance Segmentation Approach论文解析1. 摘要2. 研究现状2.1 传统车道线检测2.2 基于深度学习的车道线检测2.3 实例分割方法实现端到端车道检测 论文链接：https://arxiv.org/pdf/1802.05591.pdf 论文出处：CVPR2018 论文代码：https://github.com/MaybeShewill-CV/lanenet-lane-detection
【亲测免费】 开源项目推荐：LaneNet-Lane-Detection —— 实时车道线检测利器
最新发布
gitblog_00937的博客
11-14 1149
**LaneNet-Lane-Detection** 是一个利用深度神经网络进行实时车道检测的开源项目。该项目基于IEEE IV会议论文“Towards End-to-End Lane Detection: An Instance Segmentation Approach”，并提供了一种高效且准确的车道检测解决方案。作者使用TensorFlow实现了该模型，并已公开分享了用于测试和训练所需的全部
【亲测免费】 探索高效车道检测：Lanenet-Lane-Detection (PyTorch版)
gitblog_00850的博客
08-08 1084
在自动驾驶和智能交通系统中，车道检测是一个关键技术。Lanenet-Lane-Detection项目，基于PyTorch实现，提供了一种高效、实时的车道检测解决方案。本文将详细介绍该项目的特点、技术架构及其应用场景，帮助您全面了解并利用这一强大的开源工具。 ## 项目介绍 Lanenet-Lane-Detection项目是一个基于深度神经网络的实时车道检测系统，主要参考了IEEE IV会议论文...
车道线检测1. lanenet代码精读（记录）
weixin_42638415的博客
10-12 2316
直接看模型，首先se_block就是基本模型模块单元，centext_embedding_block一个模块， _GatherExpansion是采用se_block的基础上进行了深度可分离卷积， 分为_apply_ge_when_stride_equal_one和_apply_ge_when_stride_equal_two，是深度可分离卷积中stride的值的区别，当为2时会导致下采样。前两步没啥可说的，就是调整数据格式，需要看的是这个函数。先看二值的，也很简单，就是三个通道，每个通道都做ce。
Lanenet车道线检测 --运行别人代码（1）
bufengzj的博客
05-30 8957
2018.2发表出来的，文章下载地址：https://arxiv.org/abs/1802.05591 github上代码：https://github.com/MaybeShewill-CV/lanenet-lane-detection 【本文用的还是18年的，没有用最新的】 运行代码时可能出错: 处理： 程序里添加路径 import sys sys.path.append('/...
车道线检测
scott198512的博客
05-03 1949
车道线检测分类与汇总
LaneNet论文：实时的车道线检测
weixin_43290859的博客
06-03 2286
论文笔记 《LaneNet:Real-time lane detection Networks for Autonomous Driving》 2019/6/3
【车道线】车道线检测代码复现---lanenet（小白篇）
是安澜啊
03-06 7189
【lanenet】车道线检测代码复现（小白篇-仔细） 代码github：https://github.com/yanganlan0310/lanenet-lane-detection.git 论文：https://arxiv.org/abs/1802.05591 我用的环境：ubuntu 18.04 cuda10.0 cudann 7.5 其余的按照requirements.txt 基本过程：下载代码；新建虚拟环境（anaconda3);虚拟环境中安装需要的包；进入代码所在目录；阅读READ.ME.
深度学习论文导航 | 11 LaneNet：基于实例分割方法的车道线检测网络
不积跬步，无以至千里！
09-12 7881
无人驾驶技术环境感知篇——车道线检测网络LaneNet
车道线检测新星：基于PyTorch的LaneNet深度解析与应用推广
gitblog_00788的博客
08-24 807
车道线检测新星：基于PyTorch的LaneNet深度解析与应用推广 在自动驾驶技术和智能交通系统快速发展的今天，准确而高效的车道线检测成为了必不可少的技术之一。今天，我们为您隆重介绍一个开源项目——LaneNet in PyTorch，它以其高效性能和灵活适配性，正逐渐成为该领域的明星工具。 项目介绍 LaneNet in PyTorch项目源自两个杰出的车道线检测实现MaybeShewill-...
【亲测免费】 LaneNet 车道线检测项目教程
gitblog_00129的博客
08-08 1157
LaneNet 是一个基于 PyTorch 的实时车道线检测模型，主要基于 IEEE IV 会议论文 "Towards End-to-End Lane Detection: an Instance Segmentation Approach"。该项目提供了一个深度神经网络，用于实时车道线检测，适用于自动驾驶和智能交通系统。 ## 项目快速启动 ### 环境配置 1. 克隆项目仓库： ...
深度学习车道线检测之 LaneNet如何用自己的数据集
07-25
在深度学习中使用 **LaneNet** 模型进行车道线检测时，若希望使用自定义数据集进行训练和测试，需对数据集进行适当的预处理，并调整模型输入格式、损失函数及训练流程。以下是实现该目标的关键步骤和注意事项。 ### 数据集准备与预处理 1. **图像与标注格式** LaneNet 的训练依赖于图像及其对应的车道线标注。标注通常采用二值掩码形式，其中车道线像素被标记为 1，其他区域为 0。对于自定义数据集，需要确保每张图像都有对应的标注图像，并且标注应尽可能准确地覆盖所有车道线区域，包括部分被遮挡的区域[^2]。 2. **数据增强** 为了提升模型泛化能力，可以在训练过程中应用数据增强技术，如随机裁剪、旋转、亮度调整、添加噪声等。这些方法有助于模型适应不同光照条件和视角变化。 3. **数据格式转换** 若数据集原始格式为 COCO、Cityscapes 或其他常见格式，可以使用工具如 LabelImg 或 LabelMe 转换为 LaneNet 所需的掩码图像格式。 ### 模型输入调整 1. **图像尺寸统一** LaneNet 原论文中使用的图像尺寸为 `(512, 288)`，因此在训练前需将图像和标注掩码统一缩放至相同尺寸。 2. **数据加载器实现** 使用 TensorFlow 或 PyTorch 时，需要实现一个自定义的数据加载器，支持批量读取图像和掩码，并在训练过程中进行数据增强。以下是一个基于 TensorFlow 的简单数据生成器示例： ```python import tensorflow as tf import cv2 import numpy as np import os def data_generator(image_dir, mask_dir, image_list, batch_size, img_size): while True: for i in range(0, len(image_list), batch_size): batch_files = image_list[i:i+batch_size] images = [] masks = [] for file in batch_files: image = cv2.imread(os.path.join(image_dir, file)) mask = cv2.imread(os.path.join(mask_dir, file), 0) image = cv2.resize(image, img_size) mask = cv2.resize(mask, img_size) image = image / 255.0 mask = np.expand_dims(mask, axis=-1) images.append(image) masks.append(mask) yield np.array(images), np.array(masks) ``` ### 模型训练 1. **网络结构调整** LaneNet 使用编码器-解码器结构（如 U-Net）进行语义分割。如果使用 TensorFlow 实现，可以基于 `tf.keras` 构建模型，或直接使用开源实现进行微调。 2. **损失函数设计** 原论文中使用 **二元交叉熵损失**（Binary Crossentropy）用于分割任务。可以使用如下代码定义损失函数： ```python model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` 3. **训练流程** 使用自定义数据生成器进行训练： ```python train_gen = data_generator(train_image_dir, train_mask_dir, train_files, batch_size=8, img_size=(288, 512)) model.fit(train_gen, steps_per_epoch=len(train_files)//batch_size, epochs=50) ``` ### 模型测试与评估 1. **推理阶段** 在测试阶段，将图像输入训练好的模型，得到分割掩码。随后，利用车道线定位网络（LaneNet 的第二阶段）提取车道点，并使用 LSTM 或多项式拟合预测车道线形状。 2. **评估指标** 可以使用 **IoU（交并比）** 或 **像素准确率（Pixel Accuracy）** 来评估模型性能。对于车道线检测任务，IoU 更能反映模型对车道线区域的识别能力。 ```python from sklearn.metrics import jaccard_score def compute_iou(y_true, y_pred): y_true = y_true.flatten() y_pred = y_pred.flatten() return jaccard_score(y_true, y_pred) ``` ###
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值