基于深度学习方法的车道线检测综述(2022)

目录

一 概述

二、车道线数据集

三、2D车道线检测算法

1、基于语义分割的方法

1.1LaneNet:(2018)

1.2 RESA:(2020)

2、基于检测的方法

2.1 LaneATT

2.2 Ultra Fast Structure-aware Deep Lane Detection(2020)

3、基于参数曲线的方法

3.1 rethinking Effificient Lane Detection via Curve Modeling(2022)

4 基于关键点的方法

4.1 FOLOLANE(2021)

4.2 GAnet CVPR2022(可形变卷积)

5 其他

5.1 CLRNet 2022

6 总结

一 概述

        车道线检测任务是自动驾驶中一种具有挑战性的任务。虽然深度学习算法的高效特征表达效果显著,但是在现实的世界中,对于精确地检测车道线的任务还是具有挑战性。比如，车道线和地面其他线的混淆（车道线与车位线），检测不准确的问题，遮挡问题，强光照问题等等。

        基于深度学习的车道线检测主要分为2D车道线检测和3D车道线检测。其中,2D 车道线检测任务的输入为 RGB 图像,输出为 2D 相机图像空间的一组结构化的车道线;而 3D 车道线检测任务的输入为 RGB 图像,相机内参,可选相机外参,输出为在 3D 相机坐标系空间一组结构化的车道线。如图 2 所示:

有挑战性的任务。虽然深度学习算法的高效特征表达效果显著,但是在现实的世界中,对于精确地检测车道线的任务还是具有挑战性。比如，车道线和地面其他线的混淆（车道线与车位线），检测不准确的问题，遮挡问题，强光照问题等等。

二、车道线数据集

        CULane:该数据集是一个大型的具有挑战性的数据集,包含多种策略,例如拥挤,夜景,交叉等,包含了城区和高速场景,有 10 万张图像,分辨率为 1640*590像素。

        LLAMAS:该数据集是一个大型的车道线检测的数据集有超过 10 万张图像,车道线通过高精度地图自动标注。测试集样本标签不公开。
        Tusimple:该数据集是运用最广泛的数据集,仅仅包含高速场景,分为 3268张训练图像,358 张验证图像和 2782 张测试图像,分辨率为 1280*720.

          OpenLane：OpenLane数据集是3d的车道线数据集，里面的图像是前视摄像头拍摄的，有很多大坡度的场景，标注包括2d和3d车道线的标注，车道线类型，以及摄像机内外参等的标注。

        通常情况下,CULane 和 Tusimple 是论文中必测数据集,而 LLAMAS 是最近才公开的数据集,其他数据集还有很多,例如华为的 CurveLanes 等。

三、2D车道线检测算法

 &nbs