[论文解读] Efficient Road Lane Marking Detection with Deep Learning

Ping-Rong Chen, Shao-Yuan Lo+3 more|arXiv (Cornell University)|Sep 11, 2018

Autonomous Vehicle Technology and Safety参考文献 16被引用 9

一句话总结

该论文提出了一种基于轻量级深度学习的车道线检测器（LMD），采用空洞卷积和浅层窄网络结构，实现在资源受限的车载系统上的高效、实时车道线检测。该方法在计算成本低的同时保持高精度，并在后处理中采用多项式拟合来建模弯曲车道线。

ABSTRACT

Lane mark detection is an important element in the road scene analysis for Advanced Driver Assistant System (ADAS). Limited by the onboard computing power, it is still a challenge to reduce system complexity and maintain high accuracy at the same time. In this paper, we propose a Lane Marking Detector (LMD) using a deep convolutional neural network to extract robust lane marking features. To improve its performance with a target of lower complexity, the dilated convolution is adopted. A shallower and thinner structure is designed to decrease the computational cost. Moreover, we also design post-processing algorithms to construct 3rd-order polynomial models to fit into the curved lanes. Our system shows promising results on the captured road scenes.

研究动机与目标

• 解决在计算资源有限的低功耗车载平台上部署高精度车道线检测系统所面临的挑战。
• 在不牺牲检测精度的前提下降低模型复杂度，以实现在高级驾驶辅助系统（ADAS）中的实时性能。
• 设计一种计算高效的深度神经网络，专用于道路车道线检测，通过结构优化实现。
• 通过后处理中的多项式建模提升对弯曲车道线的检测鲁棒性。

提出的方法

• 采用带有空洞卷积的深度卷积神经网络（CNN），在不增加参数量或计算成本的前提下扩展感受野。
• 设计更浅更窄的网络结构，以最小化FLOPs和推理时间，同时保持特征提取能力。
• 应用空洞卷积以保留空间分辨率，并捕获多尺度上下文信息，用于精确的车道线定位。
• 采用后处理流水线，将检测到的车道点拟合为三阶多项式曲线，以准确建模弯曲道路车道线。
• 在真实道路场景上端到端训练网络，以学习在不同光照和遮挡条件下具有判别性的车道线特征。
• 通过最小化网络深度和宽度，优化模型以提升推理效率，目标是部署于处理能力有限的嵌入式系统。

实验结果

研究问题

• RQ1 如何使深度学习模型在低功耗车载硬件上既具备高精度又足够高效，以实现实时车道线检测？
• RQ2 空洞卷积在车道线检测网络中能在多大程度上提升特征表示能力，同时降低计算复杂度？
• RQ3 在车道线识别背景下，与更深的模型相比，浅层窄网络架构能否保持高检测精度？
• RQ4 后处理中的多项式拟合在从稀疏或噪声检测中重建弯曲车道线方面有多高效？
• RQ5 在真实道路场景中，模型复杂度与检测性能之间的权衡如何？

主要发现

• 所提出的LMD在真实道路场景中实现了高检测精度，同时保持了低计算复杂度，适合嵌入式部署。
• 使用空洞卷积可在不增加参数量或FLOPs的情况下有效扩展感受野。
• 浅层窄网络结构显著降低了推理时间和内存占用，使其在低功耗系统上实现实时运行成为可能。
• 后处理中采用三阶多项式拟合成功建模了弯曲车道线，提升了检测车道线的逼真度和连续性。
• 系统在不同光照和道路条件下均表现出鲁棒性能，经真实道路场景采集数据验证。
• 该模型被接受在2018年国际数字信号处理会议（DSP）上展示，表明其技术贡献已通过同行评审验证。