Structure Guided Lane Detection

车道线检测主要存在个问题：

1. characterizing lanes
2. modeling the structural relationship between scenes and lanes
3. supporting more attributes (e.g., instance and type) of lanes.

在本文中，我们提出了一种新颖的结构引导框架来同时解决这些问题。

在这一框架中，我们是首先引入一种新的车道线表示来描述每个实例。

在此基础上，提出了一种自上而下的消失点引导 anchoring机制，用以产生强力anchors，来有效捕捉各种各样的车道线。

利用多层次结构约束改善车道的感知

在此过程中，引入二值分割的像素级感知，自下而上地提升锚点周围的特征，恢复车道细节，提出了车道周围模型结构(即平行)的车道级关系，并利用图像级注意力从场景的角度自适应地关注图像的不同区域。

在结构引导的帮助下，anchors被有效分类和回归，获得精确的位置和形状。

在公共基准数据集上进行的大量实验表明，该方法在单个 gpu 上具有117 fps 的性能，优于目前最先进的方法

Introduction

车道线检测在自动驾驶和高清地图制作方面有着广泛的应用，也被作为道路场景理解的重要组成部分。

很多基于learning 的方法被提出，现在车道线检测技术还面临着一些挑战。

1. 缺少一个统一有效的车道线表示,有多种定义point,mask,marker,grid
2. 场景和车道线之间的结构关系难以建模，像b种图一展示的那样，结构化信息依赖于场景，例如消失点的位置和平行的车道线，这些非常有用，但是这里没有机制来描述它。
3. 最后，在预测车道线时，预测其他的属性也很重要，包括实例和类型，但是对现有的方法进行扩展也并不容易。

这三个难点特别难以解决，极大地减缓了车道线检测技术地发展。由于这些困难，车道线检测仍然是一个具有挑战性的视觉任务。

为了解决这些难题，

1. 许多方法把车道线刻画成简单拟合曲线或者masks.例如SCNN把它看作是一个分割问题，引入了slice-by-slice的卷积在特征图上，来进行空间信息传递。
2. 为了解决第二个问题，有些方法使用消失点或平行关系作为辅助信息。
3. 对于最后一个问题，采用了一些基于聚类或检测的方法来对实例进行区分或分类。

受到这些观察和分析的启发我们提出一种新颖的结构引导框架来进行车道线检测

为了描述车道线，我提出了一种基于box-line的方法，

该方法利用车道的最小外接矩形区分实例，利用车道的中心线进行结构化定位。

为了利用结构信息进一步改进车道检测，提出了消失点导向锚固机构来产生强力锚杆(即尽可能少而准确的锚杆)。

该机制以分段的方式学习消失点，并自顶向下生成结构锚，有效地捕捉各种车道。

同时，提出了多层次结构约束，以提高车道感知能力。在此过程中，利用像素级的感知能力，通过车道二值化分割改善车道细节，利用神经网络的反向透视映射(ipm)建立车道间的平行性关系，从场景的角度对图像进行自适应权值处理。最后，提取结构导向下锚杆的特征，进行准确的分类、回归和其他属性的预测。在 culane 和 tusimple 数据集上的实验结果验证了所提方法的有效性，该方法在117 fps 的速度下达到了最佳性能和高效运行。

主要贡献：

本文的主要贡献包括:

1)提出了一种结构导向的车道检测框架，该框架能够精确地描述车道，并能够定位和恢复无限车道的形状。

2)引入消失点导向锚固机构，预测消失点并利用消失点产生强力锚杆，精确捕捉航道。

3)提出了多层次结构约束，用于感知像素级一元细节，建立车道级对关系模型，并自适应处理图像级全局信息。

Related Work

传统的：

手工特征，模板匹配，在不熟悉的环境下失效。

深度学习方法

SCNN在传统的卷积中加入layer-by-layer，使得信息在行和列之间进行传递。

ENet-SAD 提出了一种知识蒸馏方法，它使模型在没有任何额外监督或标签的情况下进行自学习。

PolyLaneNet采用多项式表示法作为道路标线，并通过深度多项式回归输出多项式。

Ultrafast将车道检测过程视为使用全局特征的基于行的选择问题。

CurveLanes提出了一种车道敏感的体系结构搜索框架，自动获取长距离连贯和准确的短距离曲线信息。

在这些方法中，采用了不同的车道表示，并考虑了一些结构信息，以提高性能。

然而，这些方法通常是基于神经网络强大的学习能力来学习车道的拟合或形状，而车道的景观结构信息的作用尚未得到足够的重视和讨论。

The Proposed Approach

解决这些困难(例如，描述车道，建模场景和车道之间的关系，以及支持更多的属性) ,我们提出了一种新的结构引导的车道检测框架，称为 SGNet.

Representation

为了适应不同风格的车道线标记，我们引入基于box-line的车道线表示。

1. 首先为车道实例
   
   
   
   L

   l

   a

   n

   e

   L_{lane}
   
   
   
   
   
   
   
   L
   
   
   
   
   
   
   
   
   
   
   
   l
   
   
   a
   
   
   n
   
   
   e
   
   
   
   
   
   
   ​
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   计算最小外切矩形R(“box”) 高h宽w

待续。。。。。。。。。。。。。。。