本港台开奖现场直播 j2开奖直播报码现场
当前位置: 新闻频道 > IT新闻 >

wzatv:【j2开奖】详述车道检测的艰难探索:从透视变换到深度图像分割(附代码)(2)

时间:2017-05-15 22:21来源:本港台直播 作者:开奖直播现场 点击:
但是,我希望 深度 神经网络能具有更好的效果,所以我决定统一使用红线来手动绘出真实的车道线,以便接下来可以使用红色阈值来更好地检测车道线。

  但是,我希望深度神经网络能具有更好的效果,所以我决定统一使用红线来手动绘出真实的车道线,以便接下来可以使用红色阈值来更好地检测车道线。我最初以为需要处理14000张图像,但这将会花费太长时间,不切合实际;同时,如果在低速时多张相近的图像同时存在,则预测模型的准确率可能会虚高。考虑到时间对数据集的影响,我决定从每10张图像中抽取一张,从而创建了只具有1400张训练图像的原始数据集。

  

wzatv:【j2开奖】详述车道检测的艰难探索:从透视变换到深度图像分割(附代码)

  图8:由于最终的模型仍能在模糊的夜间图像中检测到车道线,看来这个方法提高了模型的鲁棒性。

  此后,我根据以往项目做法创建了一个程序,在道路图像上使用了传统的CV检测模型,用拟合出的多项式,来重新绘制车道线。这种做法可以节省图像处理的时间,但在我检查实际效果时发现了一个明显的问题:虽然我已经用大量弯曲道路的图像来训练这个传统模型,但是仍然不能检测到所有的车道线。在训练集的1400张图像中,大约有450张无法使用,出现问题的样本主要是弯曲道路图像。

  然而,我意识到这是由于算法的滑动窗口机制,导致这个模型本身存在问题。如果一条车道线在图像边缘停止了,原始的滑动窗口将沿着图像边缘垂直向上迭代,导致该算法相信该线往该方向延伸。我们可以通过判断滑动窗口是否触及图像边缘来解决这一问题,如果滑动窗口触及边缘,且已在图像里迭代若干步(这么设置是防止模型开始时被误判断触及边缘),那么滑动窗口就停止工作。

  

wzatv:【j2开奖】详述车道检测的艰难探索:从透视变换到深度图像分割(附代码)

  图9:在弯曲道路图像上建立一系列滑动窗口,前后处理效果对比

  从图里看出,这个效果很好,故障率降低了一半,从原来的约450张减少到约225张。我想通过检查标签的实际分布情况来分析无法使用的剩下图像。我通过直方图来检查六个系数的实际分布,结果显示拟合曲线仍趋于直线。我还尝试增大弯曲道路图像的所占比例,但问题没有解决:对于极其弯曲的道路,检测出的车道仍然很笔直。

wzatv:【j2开奖】详述车道检测的艰难探索:从透视变换到深度图像分割(附代码)

  图10:一个车道线系数的分布图:明显以直线为中心。

  我借用了以前参加过的一个交通标志检测项目的经验。那个项目的数据集中,有些类别图片非常少,我对它们进行小幅度旋转操作,增加了该类数据的比例,大大提高了准确率。

  我再次使用这种方法,对于某一特定分布范围之外的任何系数标签,对图像进行小幅度旋转并同时保持相同的标签。对于其中的三个系数,我大约各处理了400、100和30张图像,部分图片可能进行了三次调整操作。

wzatv:【j2开奖】详述车道检测的艰难探索:从透视变换到深度图像分割(附代码)

  图11:对部分图像进行旋转后,单个系数分布更为均匀。

  在旋转图像后,每个系数的分布更为合理。当然,我还对数据集及标签进行了一些快速预处理操作。训练集的图像从最初的720 x 1280以不同倍数缩小,并进行归一化,有助于模型加快收敛。我也使了用sklearn库中的StandardScaler函数来归一化图像标签,归一化时请确保保存缩放信息,因为在最后一步需要恢复操作。标签归一化后会降低训练时的Loss值,但是绘制回到原始图像后,最终的结果也提升不大。

  引入深度学习

  你可能会想,接下来不采用透视变换方法了么?是的,但是为了创建一个初始的模型结构,我想基于这个特定的数据集,将深度学习方法和传统CV检测模型的效果做对比。因此网络输入是做了透视变换后的道路图像,在逻辑上,神经网络可能更容易学习到相关参数。

  在这里,我使用了一个与行为克隆(Behavioral Cloning)项目中类似的模型结构,包括一个批归一化(BN)层,接上多个卷积层、一个池化层、一个扁平层和多个全连接层。最终的全连接层的输出大小为6,也就是要预测的车道线系数数量。我还使用Keras库中ImageDataGenerator函数,主要通过旋转、偏移高度和垂直翻转来试图增强模型的泛化能力,因为水平翻转可能会误导网络去识别车道信息。经过对模型结构、超参数和输入图像大小的微调后,该模型的效果不错,但是对输入输出的透视变换操作极其依赖。总体来说,这个模型不能让我满意。

  新的车道检测模型

(责任编辑:本港台直播)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
推荐内容