实时车道检测--A Novel Vision-Based Framework for Real-Time Lane Detection

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1436620

A Novel Vision-Based Framework for Real-Time Lane Detection and Tracking

SAE Technical Paper 2019-01-0690, 2019

本文提出将传统方法和 CNN结合起来实现实时车道检测

基于传统算法的车道检测方法依赖于strict assumptions ，只能在有限的场景中可以正常工作，速度快

基于CNN网络的车道检测不需要手工设计特征，只要提供足够的样本就可以完成车道检测，没有很强的假设，但是速度慢。

这里我们将两者的优势结合起来，一个 branch 是基于传统方法的，一个 branch 是基于CNN网络的，两者通过一个 coordinating unit 结合起来，最后使用 Kalman filter based tracking unit 完成车道跟踪

Feature-Based Lane Detection：

1）Median Filtering 中值滤波取出噪声

2）Canny Edge Detection

3）Feature Extraction 特征提取，使用 Progressive Probabilistic Hough Transform (PPHT) votes out the correct lane lines

简要说一下这个 Progressive Probabilistic Hough Transform (PPHT)：如果某一条直线上的点已经达到一定的阈值，那么将这条直线上的所有的边缘点全部提取出来，归入到这条直线中去。

4）Lane Fitting，这里使用了 linear model and least square 来拟合车道线

Deep Learning Based Lane Detection

这里采用类似 U-Net 的网络结构

CNN网络输出背景+4个车道的每个像素类别信息

Lane Fitting for Lane Segments 对于 CNN网络的输出，我们使用 random sample consensus (RANSAC) 拟合车道线

Coordinating Unit and Kalman Filter

Coordinating unit 的作用：balance the ratio variance between the feature-based detection branch and deep learning based lane detection branch

使用传统方法检测5次后直接使用 CNN网络的检测结果，如果传统检测方法失败，使用 CNN网络检测结果

Kalman Filter：可以提升车道检测稳定性

The Kalman filter can improve lane detection performance, especially in the conditions of various illumination, worn lane lines or strong disturbance.

11