??駕駛靜態(tài)環(huán)境感知與分割算法（三）??駕駛感知?.感知1.感知外界：?的：感知外界環(huán)境靜態(tài)環(huán)境：車道線、交通標(biāo)識(shí)等動(dòng)態(tài)物體：運(yùn)動(dòng)物體的運(yùn)動(dòng)狀態(tài)傳感器：?jiǎn)?（圖?）/雙?（深度圖、稠密點(diǎn)云）/激光雷達(dá)（稀疏點(diǎn)云）/毫?波雷達(dá)/超聲波雷達(dá)2.感知??（定位）：?的：感受??的運(yùn)動(dòng)狀態(tài)傳感器：GPS（outsidein）IMU（insideout）HDMAPSLAM?.四?圖像任務(wù)1.分類2.分割（像素分類）3.檢測(cè)（框分類）4.跟蹤（使?物體的?切信息進(jìn)?時(shí)序關(guān)聯(lián)）?.分割i）基于傳統(tǒng)?法的車道線檢測(cè)基本流程：依賴兩個(gè)庫(kù)：opencv和numpy（1）輸?視頻（2）循環(huán)遍歷每?幀圖?（3）canny邊緣檢測(cè)，檢測(cè)所有的線（4）??劃定區(qū)域（5）hough變換，進(jìn)?步確認(rèn)車道線（6）顯?車道線（7）車道和原始圖像疊加?起顯?1.canny邊緣檢測(cè)原理：檢測(cè)亮度的急劇變化在給定閾值下定義為邊預(yù)處理：轉(zhuǎn)換灰度圖Canny：降噪：噪聲容易導(dǎo)致誤檢，??斯濾波（5x5）對(duì)圖像做卷積（平滑圖像）求亮度梯度：在平滑的圖像上sobel核沿x，y軸檢測(cè)邊緣是?平、垂直、對(duì)?線。?極?值抑制：細(xì)化邊緣，hysteresisthresholding：?極?值抑制后可以確認(rèn)強(qiáng)像素在最終邊緣映射中canny庫(kù)已經(jīng)實(shí)現(xiàn)，直接調(diào)?2.?動(dòng)分割路?區(qū)域?動(dòng)指定?個(gè)三?形分割路?區(qū)域，取出其他?擾邊緣3.霍夫變換得到車道線將笛卡爾坐標(biāo)系中?系列可能被連成線的點(diǎn)轉(zhuǎn)為該點(diǎn)在霍夫空間中對(duì)應(yīng)的線；找到霍夫空間中的交點(diǎn)（m，b）就是那條線的?程。線垂直時(shí)梯度?窮?，?極坐標(biāo)表?直線。霍夫空間中定義交點(diǎn)的最?閾值來(lái)檢測(cè)線。4.獲取車道線并疊加到原始圖像中取線截距和斜率的均值，融合成兩條線，并在原圖中顯?。ii）基于深度學(xué)習(xí)的圖?分割算法綜述普通分割：不同物體的像素區(qū)域分開(kāi)語(yǔ)義分割：分類出每?塊區(qū)域的語(yǔ)義（類別）實(shí)例分割：區(qū)分同種物體的不同個(gè)體2.圖?語(yǔ)義分割的算法思路從深度學(xué)習(xí)引?這個(gè)任務(wù)到現(xiàn)在，?個(gè)通?的框架已經(jīng)?概確定。前端：使?全卷積?絡(luò)（?全連接層）進(jìn)?特征提取下采樣+上采樣：convlution+deconvlution/resize多尺度特征融合：特征逐點(diǎn)相加/特征拼接獲得像素級(jí)別的segementmap：對(duì)每?個(gè)像素點(diǎn)進(jìn)?判斷類別后端：CRF（條件隨機(jī)場(chǎng)）/MRF（馬爾可夫隨機(jī)場(chǎng)）優(yōu)化前端的輸出得到優(yōu)化后的分割圖典型算法結(jié)構(gòu)3.FCN提出全卷積?絡(luò)；使?反卷積層做上采樣；skiplayer，skip的?的就是特征融合。4.更好的上采樣模式5.deeplab空洞卷積增?感受野6.PSPNet全局?字塔池化7.maskR-CNNfastR-CNN做檢測(cè)，在框?做maskiii）實(shí)戰(zhàn)基于圖?分割的車道線檢測(cè)（LaneNet）主要特點(diǎn)：實(shí)例分割來(lái)檢測(cè)車道線更靈活的透視變換（將圖像透視變換到鳥(niǎo)瞰圖，固定的透視變換矩陣?法應(yīng)對(duì)上下坡情況，提出?CNN學(xué)習(xí)透視變換；輸?RGB圖像+分割結(jié)果->H