基于camera的车道线检测技术详解

创作时间:

作者:

@小白创作中心

引用

CSDN

https://blog.csdn.net/SecretGirl/article/details/140615089

车道线检测是自动驾驶和智能交通系统中的关键技术之一。本文详细介绍了基于摄像头的车道线检测方法，包括传统几何建模方法和基于人工智能的技术，并对比了多个常用的开源项目和数据集。

车道线检测策略可以分为两种方法：几何建模/传统的车道线检测方法和基于人工智能的技术。

传统检测算法使用的pipeline包括图像预处理、特征提取、车道线模型拟合和直线跟踪。

基于摄像头图像

开源代码	数据集	环境	备注
LaneNet	https://github.com/MaybeShewill-CV/lanenet-lane-detection	分割	Tusimple 16.04(x64), python3.5, cuda-9.0, cudnn-7.0 with a GTX-1070 GPU，tensorflow 1.12.0 IEEE IV conference
Lane2Seq	未开源	Tusimple、CULane、LLAMAS	CVPR2024
CLRNet	https://github.com/Turoad/clrnet	检测	CULane、Tusimple、LLAMAS Ubuntu18.04, or 20.04,Python >= 3.8PyTorch >= 1.6 CVPR 2022稍优于GANet
CLRerNet	https://github.com/hirotomusiker/CLRerNet		WACV 2023 CULane数据集上效果优于CLRNet
LineCNN	-	-	- IEEE 2020
LaneATT	https://github.com/lucastabelini/LaneATT	CULane、Tusimple、LLAMAS	Python >= 3.5PyTorch == 1.6 CVPR 2021
LVLane	https://github.com/zillur-av/LVLane	TuSimple、Caltech Lanes LVLane	python=3.8pytorch==1.8.0 2023 IEEE检测+分类
PINet	-	关键点	- - 2002
FOLOLane	-	-	- 2021
GANet	GitHub - Wolfwjs/GANet: A Keypoint-based Global As	CULane、Tusimple	python=3.7pytorch==1.6.0 CVPR 2022

基于BEV（单目）

开源代码	数据集	环境	备注
BEV-LaneDet	未开源	ApolloSim、OpenLane	CVPR 2023
Anchor3DLane	https://github.com/tusen-ai/Anchor3DLane	ApolloSim、OpenLane、ONCE-3DLane	python=3.7pytorch==1.9.1 CVPR 2023

TuSimple 、 KITTI、 Caltech、 Cityscapes、 Apollo Scape 、CULane

pip install torch==1.10.2+cu113 torchvision==0.11.3+cu113 torchaudio==0.10.2 --extra-index-url https://download.pytorch.org/whl/cu113

容器创建：docker run --gpus '"device=0"' --net=host -it -v /data3:/data3 --shm-size=32g --memory-swap=-1 --name=clrnet_jiao clrnet:jiao bash

原图大小：1640*590

网络输入大小：800*320

使用自采样本数据时需要配置切割高度cut_height = 472(根据成像效果设置)。

LLAMAS数据集模型在自采样本上的效果（cut_height = 472）：图略

Tusimple数据集模型在自采样本的效果比其他两个数据集模型较好些：图略

共同点：真值都是点集