车道线检测方法总结

车道线检测，我分别尝试了传统方案双车道线直线检测，以及SCNN，VPGNET，Lanenet等多车道线曲线检测。今天就阅读Lanenet写读后感，有理解误差的地方望批评指正。

 

• 传统方案的好处在于速度快，缺点在于目前只适用于直线检测 ，曲线检测效果不好；
• SCNN基于框架torch做的开发，torch独有的table结构使得其模型很难转换为caffe or tensorflow等其它形式，但是其基于车道线这种形态属性的而设计的深度学习网络架构是值得参考的,见下图；

 

• VPGnet结合了消失点等多种信息，进行模型训练，文章亮点在于其独特的车道线网格标记训练的思考，采用回归的方式定位车道线，和消失点深度学习训练方面的设计，利用整体空间结构特征而不是单点小范围像素的学习。但是作者提供的代码是不完整的，缺少参考模型，训练代码缺失VP训练部分，无法快速进行效果验证。

 

• lanenet基于tensorflow框架，而且提供的参考内容很完整，在tusimple上验证出效果是比较好的。其特点在于曲线拟合部分，采用深度学习网络进行曲线拟合。采用H-net学习拟合矩阵,比传统bird transform 或者多项式拟合方式calculate once的局限方式，可以利用深度学习模型的大数据训练调优的优点，得到适应性更强的拟合矩阵。