下载掌阅APP，畅读海量书库
立即打开
尽管通常可以使用基于图像处理的常规方法来检测车道标记，一些研究人员还是致力于使用新颖的机器学习和深度学习方法。由于深度网络理论、并行计算技术和大数据技术的发展，深度学习技术已成为近十年来最热门的研究领域之一。与传统方法相比，许多深度学习算法在计算机视觉任务中显现出巨大的优势，并且由于检测和识别性能的大大提高，卷积神经网络（CNN）成为用于对象识别研究的最受欢迎的方法之一。CNN提供了一些令人惊喜的属性，例如高检测精度、自动特征学习和端到端识别等。目前，一些研究人员已成功地将CNN和其他深度学习技术应用于车道检测中。据报道，与传统的基于图像处理的方法相比，使用CNN模型，车道检测的精度从80%大幅提高到90%。
在论文 [27] 中，论文作者提出了将车道检测问题转换为实例分割问题的方法，其中每个车道都形成自己的实例，可以进行端到端训练。为了在拟合车道之前，对分割的车道实例进行参数化，建议进一步应用基于图像的透视变换，而不是与固定的鸟瞰变换进行对比。这样可以确保车道拟合对于道路平面变化具有鲁棒性，与依靠固定的预定转换的现有方法不同。总而言之，这里提出了一种以50fps速度运行的快速车道检测算法，该算法能处理可变数量的车道，并应对车道的变化。在TuSimple数据集上验证了这里提出的方法，并获得了很好的结果。
在论文 [28] 中，论文作者提出了蒸馏方法，即所谓的“自我注意蒸馏”，该方法可使模型从自身学习并获得实质性的改进，而不需要任何其他监督或标签。具体来说，当观察到从训练至合理水平的模型中提取的注意力图时，对丰富的上下文信息进行编码。有价值的上下文信息，可被当作“免费”监督的形式，通过在网络内部执行自顶向下和逐层注意提炼来进一步学习表示形式。“自我注意蒸馏”可被轻松地合并到任何前馈CNN中，而且不会增加推理时间。通过使用ENet、ResNet-18和ResNet-34等轻量模型，在三个流行的车道检测基准（TuSimple、CULane和BDD100K）上验证了“自我注意蒸馏”。相对而言，最轻量的ENet-SAD模型的性能甚至已经超过现有算法。需要注意的是，与最新的SCNN [16] 相比，ENet-SAD模型的参数量减少到原来的1/20，运行速度提高了10倍，同时在所有的基准测试中均具有出色的性能。其开源代码实现可参考地址“链接2”。
车道检测，顾名思义，就是检测道路上的车道，并提供每个车道的准确位置和形状。车道检测是实现现代辅助自动驾驶系统的关键技术之一。但是，车道的几个独特属性对检测方法具有挑战性，这是因为车道缺乏特征，使其容易与具有相似局部外观的其他物体相混淆。此外，道路上车道数量的不一致，以及不同车道线的模式，例如实线、折线、单线、双线、合并线以及分割线等，进一步影响了检测性能。
在论文 [29] 中，论文作者提出了一种基于深度神经网络的方法，即LaneNet，它将车道检测分为两个阶段：车道边缘提议和车道线定位。第一阶段，使用车道边缘提议网络对像素进行车道边缘分类；第二阶段，使用车道线定位网络，基于车道边缘提议检测车道线。请注意，LaneNet的目标是仅检测车道线，这在抑制道路上类似于车道标记（如箭头和字符等）的错误检测方面存在更多的困难。尽管如此，这里提出的车道检测方法，在高速公路和城市道路场景中还是显示出强大的性能，而且无须依赖任何车道号或车道线模式的假设。高运行速度和低计算成本，使LaneNet能被部署在基于车辆的系统中。实验结果表明，在现实交通情况下，LaneNet始终能提供优良的性能。其开源代码实现可参考地址“链接3”。
在论文 [30] 中，论文作者提出了一种统一的端到端训练的多任务网络。该网络能在不利的天气条件下，以消失点为指导，实现车道和道路标记的检测与识别，即解决了在多雨和低照度条件下的检测问题。但由于这具有很大的挑战性，因此，到目前为止，尚未对其进行广泛的研究。例如，在雨天拍摄图像照明度较低，而潮湿的道路会导致光线反射，并扭曲车道和道路标记的外观；在晚上，在有限的照明条件下会发生色彩失真。结果是，不存在基准数据集，并且只有少数投入实际运行的算法可以在恶劣的天气条件下工作。为了解决此问题，研究人员试图建立一个车道和道路标记基准，该基准由大约20000张图像组成，并在无雨、下雨、大雨和夜间4种不同的情况下，具有17个车道和道路标记类别。首先要训练和评估论文 [30] 中提出的“多任务网络的多个版本”，并验证每个任务的重要性。最终的方法VPGNet可以检测和分类车道与道路标记，预测消失点。实验结果表明，这里提出的方法，可以在各种条件下实时（20fps）实现高精度和具有鲁棒性。
CNN通常是通过逐层堆叠卷积运算来构建的。尽管CNN已展现出从原始像素中提取语义的强大功能，但是研究人员尚未充分探索其在图像的行和列之间捕获空间关系像素的能力。须知这些关系，对于学习先验形状强而外观连贯性较弱的语义对象的重要性。例如，交通车道常被遮挡，甚至车道标记未被涂在路面上。在论文 [31] 中，论文作者提出了空间CNN（Spatial CNN，SCNN），其中将传统的深层逐层卷积泛化为特征图中的逐层卷积，从而在层中行和列的像素之间传递消息。这种SCNN特别适用于长连续形状的结构或大型物体，具有较强的空间关系。然而，其外观线索较少，例如交通车道、电线杆和墙壁。这里试图将SCNN应用于新发布的、极具挑战性的交通车道检测数据集和Cityscapes数据集中。结果表明，SCNN可学习结构输出的空间关系，并显著提高其性能。同时，SCNN在车道检测数据集中的表现，也优于基于递归神经网络（RNN）的ReNet和MRF+CNN（MRFNet），性能分别高出8.7%和4.6%。此外，这里提出的SCNN，则以96.53%的准确度，赢得了TuSimple基准车道检测挑战赛的第一名。
总之，通过使用机器学习算法或智能算法显著提高了车道检测的准确性，并提供了许多有效的检测架构和技术。尽管这些算法通常需要更大的计算开销，并且需要大量的训练数据，但是它们比常规方法更优越。因此，预计在不久的将来，研发人员将开发出许多新的、高效的、健壮的，并对训练和计算要求较低的车道检测方法。