车道线检测-Eigenlanes 论文学习笔记
Posted tomeasure
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了车道线检测-Eigenlanes 论文学习笔记相关的知识，希望对你有一定的参考价值。
论文：《Eigenlanes: Data-Driven Lane Descriptors for Structurally Diverse Lanes》
代码：https://github.com/dongkwonjin/Eigenlanes
核心：在 Eigenlane Space 中检测车道线
创新点
- Eigenlane：数据驱动的车道描述符，在特征车道空间中紧凑地表示结构多样化的车道；
- SIIC-Net：高效地检测和回归特征车道空间中的道路车道；
- SDLane数据集：比现有数据集更真实地表示真实驾驶环境中结构多样化和复杂的车道；
0、结构
1、Eigenlanes
用车道线在训练集中的分布来表示车道线。
- 车道线： x = [ x 1 , x 2 , . . . , x N ] T \\pmbx=[x_1,x_2,...,x_N]^T x=[x1,x2,...,xN]T （横坐标）
- 车道线矩阵： A = [ x 1 , x 2 , . . . , x L ] \\pmbA=[\\pmbx_1,\\pmbx_2,...,\\pmbx_L] A=[x1,x2,...,xL]（训练集中的所有车道线）
- 使用 Frobenius 泛数
∣
∣
A
−
A
M
∣
∣
F
||\\pmbA-\\pmbA_M||_F
∣∣A−AM∣∣F ，其在被最小化时，
A
\\pmbA
A 的最佳
M
M
M 阶逼近为：
A M = [ x ~ 1 , x ~ 2 , . . . , x ~ L ] = σ 1 u 1 v 1 T + ⋯ + σ M u M v M T \\pmbA_M=[\\pmb\\tildex_1,\\pmb\\tildex_2,...,\\pmb\\tildex_L]=\\sigma_1 \\pmbu_1 \\pmbv^T_1+\\cdots+\\sigma_M \\pmbu_M \\pmbv^T_M AM=[x~1,x~2,...,x~L]=σ1u1v1T+⋯+σMuMvMT
其中：- U M = [ u 1 , . . . , u M ] \\pmbU_M=[\\pmbu_1,...,\\pmbu_M] UM=[u1,...,uM] 是 U = [ u 1 , . . . , u N ] \\pmbU=[\\pmbu_1,...,\\pmbu_N] U=[u1,...,uN] 的前 M 个左奇异向量；
- V M = [ v 1 , . . . , v M ] \\pmbV_M=[\\pmbv_1,...,\\pmbv_M] VM=[v1,...,vM] 是 V = [ v 1 , . . . , v L ] \\pmbV=[\\pmbv_1,...,\\pmbv_L] V=[v1,...,vL] 的前 M 个右奇异向量；
- Σ M = [ σ 1 , . . . , σ M ] \\pmb\\Sigma_M=[\\pmb\\sigma_1,...,\\pmb\\sigma_M] ΣM=[σ1,...,σM] 是 Σ \\pmb\\Sigma Σ 的前 M 个奇异值（ Σ \\pmb\\Sigma Σ 中的奇异值经过了由大到小的排序，均大于0，且最小值为 σ r \\sigma_r σr，r 是 A 的秩）；
- U \\pmbU U、 V \\pmbV V 以及 Σ \\pmb\\Sigma Σ 是通过奇异值分解 A = U Σ V \\pmbA=\\pmbU\\pmb\\Sigma\\pmbV A=UΣV 得到的。
- 由此可知：
- x ~ i = U M c i = [ u 1 , . . . , u M ] c i \\tildex_i=\\pmbU_M \\pmbc_i=[\\pmbu_1,...,\\pmbu_M]\\pmbc_i x~i=UMci=[u1,...,uM]ci
- 定义 Eigenlanes： u 1 , . . . , u M \\pmbu_1,...,\\pmbu_M u1,...,uM
- 定义 Eigenlanes 空间：由 u 1 , . . . , u M \\\\pmbu_1,...,\\pmbu_M\\ u1,...,uM 张成的空间
- 给定车道线 x \\pmbx x，将其映射到 Eigenlanes 空间： x ~ = U M c \\tilde\\pmbx=\\pmbU_M \\pmbc x~=UMc，其中 c = U M T x \\pmbc=\\pmbU_M^T \\pmbx c=UMTx
在 Eigenlanes 空间生成候选车道线
在低维空间进行聚类，效果更佳。
Algorithm 1 Lane candidate generation in eigenlane space
Input: Set of training lanes x 1 , x 2 , . . . , x L \\x_1,x_2,...,x_L\\ x1,x2,...,xL, M = # M=\\# M=# of eigenlanes, 以上是关于车道线检测-Eigenlanes 论文学习笔记的主要内容，如果未能解决你的问题，请参考以下文章《Rethinking Efficient Lane Detection via Curve Modeling》论文笔记
带你读AI论文丨LaneNet基于实体分割的端到端车道线检测
《PolyLaneNet：Lane Estimation via Deep Polynomial Regression》论文笔记