Eigenlanes: Data-Driven Lane Descriptors for Structurally Diverse Lanes

 

 主要思想：

1. 针对单条线，用50个x坐标表示一条车道线；

2.统计训练集中所有车道线，假定总条数为L；

3.利用主成分分析法，计算M（M取4或者3，就有不错的效果）条车道线作为基，训练集中的任意车道线都可由M条线加权近似得到；

4.对2中L条车道线，用聚类算法，得到k类，作为车道线的k个anchor；

5. 输入一张图片，用resnet50这类模型提取特征，对输出的不同尺度的特征融合；

6.加辅助分支，对车道线做语义分割，区分前景背景；

 7. 用SI module预测每个anchor的概率P、车道线远端点H、偏执O，O对应公式8中的Δc；

 

 8. 利用NMS，选取top T条线，T为10；

9. 根据车道线结构约束，计算8中每条线与其他线的相关性，对T条线做进一步筛选；

10. 对每条做一些简单后处理后输出最终结果。

实验

 

CondLaneNet戳here