LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n

介绍 使用失真校正，图像校正，颜色变换和梯度阈值构建了先进的车道发现算法。 确定车道曲率和车辆排量。 克服了诸如阴影和人行道改变等环境挑战 在这个项目中，我使用了计算机视觉技术来识别车道边界，并在给定道路视频帧的情况下计算曲率半径的估算值。 为此，请执行以下步骤： 给定同一台摄像机拍摄的一组棋盘图像，计算出摄像机校准矩阵和所使用的摄像机镜头的畸变系数 使用上述矩阵和系数来校正相机原始输出所给的失真 使用颜色变换和sobel算法创建阈值二值图像，该图像已从图像上不必要的信息中滤除 应用透视变换以查看图像的“鸟瞰图”，就像从天空中看一样 应用遮罩以获得感兴趣的区域，检测车道像素， 确定每个车道的最佳拟合曲线 将车道边界投影回到原始视图的未失真图像上 输出车道边界和其他相关信息的可视显示 如何使用 您需要设置依赖项才能在计算机上运行Jupyter Notebook并设置一些软件包，例如op