城市街道车道标线实时检测
该论文提出了一种利用单个 RGB-D 相机记录的颜色和深度信息来更好地处理光照条件和类车道物体等负面因素的方法,该方法将颜色和深度图像首先转换为半二进制格式和 3D 点的 2D 矩阵,然后用于模板匹配和几何特征提取处理,以形成一个响应图,其值表示像素成为车道标记的概率,最后通过主成分分析和车道模型拟合技术进一步改进模板和车道曲面。该方法在综合和真实数据集上进行了一系列实验,结果表明,该方法能够有效地消除不必要的噪声,以准确地检测各种情况下的车道标记,此外,每秒 20 帧的处理速度可以在流行的笔记本电脑硬件配置下进行实时自主驾驶应用。
Jun, 2018
本文提出了一种端到端的车道标线检测方法,利用分类任务代替传统的像素级密集预测任务,并使用一种新颖的层来压缩水平分量,通过简单的测试时间操作实现车道标线位置的直接预测,实验结果证明该方法在 TuSimple 和 CULane 数据集上具有与或优于现有技术。
May, 2020
通过利用关键点和建议方法的优点,本论文提出了一种 “快速而有效” 的车道检测器 “SRLane”,利用‘Sketch-and-Refine’模式,可以以高达 278FPS 的速度运行,并获得 78.9%的 F1 得分。
Jan, 2024
FOLOLane 是一种基于本地模式建模实现自底向上预测全局结构的新型车道标线检测解决方案,通过两个分别预测车道关键点存在及位置的卷积神经网络模型来进行低复杂度本地模式建模,在同时实现实时处理的基础上,充分利用了有限的特征视野和局部车道标线有限的几何变化,融合了本地信息,并在公开数据集上取得了最优结果。
May, 2021
提出了一种结合 LiDAR 和相机传感器的深度神经网络,可以在 3D 空间中直接估计车道边界,在高速公路和城市道路等复杂情境下取得了很高准确度,解决了自动驾驶中车道检测精度不足的问题。
May, 2019
本文提出了一种使用深度卷积神经网络进行车道标记检测的算法,采用扩张卷积、精简模型结构等手段提高其低复杂度、高准确性,再采用后处理算法对曲线车道建模,该算法在拍摄到的路况场景下表现优异。
Sep, 2018
这篇论文介绍了一种新型系统,可以自动从高速公路摄像头视频中学习车道位置和交通方向,收集实时、针对车道的交通数据,以实现高效的交通分析和决策,提高高速公路安全性。
Mar, 2024
本文提出了一种基于深度学习的车道检测方法,名为 LaneNet,其将车道检测分为车道边界提议和车道线定位两个步骤,以检测车道线为目标,具有较高的运行速度和低计算成本,得到了出色的表现.
Jul, 2018
本文提出了一种新的基于参数曲线的车道检测方法,利用 Bézier 曲线及变形卷积特征翻转融合等方法,不仅在 LLAMAS 法案中实现了最新的最佳效果,并且在 TuSimple 和 CULane 数据集上实现了可观的准确性,同时保持了低延迟与小模型尺寸。
Mar, 2022
本文提出了 SwiftLane 算法,这是一个采用端到端深度学习框架、基于行分类的轻量级车道检测方法,同时加入假阳性抑制算法和曲线拟合技术,实现了较高的检测准确率和每秒 411 帧的推理速度。此外,在使用 TensorRT 优化后的 Nvidia Jetson AGX Xavier 嵌入式系统上也可以实时检测车道,其推理速度为每秒 56 帧。
Oct, 2021