车道线检测公开数据集添加类别信息

CULane数据集处理，将标注点显示到图片上，用于后期Fast-CNN检测 以下是源码 # -*- coding: utf-8 -*- """ Created on Fri Jan 15 17:22:54 2021 @author: yuyanchuan """ import os import cv2 import numpy as np from time import sleep basedir=r'D:\BaiduNetdiskDownload\CULane' def get_laneDa

拍摄介绍：视频分别是从美国不同的地方收集的，涵盖了美国4个区的不同的天气状况，包含晴天、阴天和雨天以及在白天和夜天的不同时间。数据类型：包含白天（非雨天、雨天、大雨天）、夜晚的数据，同时包含了各种车道线类型，三周驾驶，以及其他不同类型的车道标识（左转箭头、直行箭头、斑马线等）。标签：总共有10个类别的车道线，（单白实心、单白虚线、单黄实心、单黄虚线、双白实心、双黄实心、双黄虚线、双白实心虚线、双白虚线实线、双实白黄。图片数量：10万张（训练：70000，验证：10000，测试：20000）。

文章目录0. 前言1. 车道线检测资料汇总2. 常用数据集介绍2.1 Tusimple2.2 CULane dataset 0. 前言 总目标：一周内调研车道线检测，寻找合适的Demo跑通。 小目标： 汇总车道线检测较好的资料 了解相关数据集的形式 了解SOTA方法以及开源代码 本文内容就是小目标的前两部分 车道线检测应该分为折线预测与分割预测两类 目前只关心前者 1. 车道线检测资料汇总 Github Awesome 系列汇总：amusi/awesome-lane-detection

随着智能辅助驾驶技术的快速发展，道路车道线检测作为其关键技术之一，对于保障行车安全和提高驾驶自动化水平具有重要意义。本文深入研究了现有的道路车道线检测算法，分析了其原理、优缺点以及适用场景。通过对比不同算法在准确性、实时性和鲁棒性等方面的表现，探讨了当前车道线检测算法面临的挑战，并提出了相应的改进方向和未来研究趋势，旨在为智能辅助驾驶系统中车道线检测技术的进一步优化提供参考。

车距检测在自动驾驶和智能辅助驾驶系统（ADAS）中应用广泛。系统通过计算摄像头获取的图像中自车与前方车辆的距离，帮助驾驶员判断车距，预防碰撞。车距检测通常分为物体检测和距离计算两部分。

2021年的车道线检测新方法。 官方公开视频、论文、源码： https://www.bilibili.com/video/BV1664y1o7wg https://arxiv.org/abs/2008.13719 https://github.com/ZJULearning/resa （该视频对现有车道线检测方法进行了分类、归纳总结，很完善。建议食用） 基于深度学习的车道线检测方法可分为如下几类： 实例分隔。例：LaneNet 语义分隔。例：SCNN 网格化。 多项式。 基于Anchor。 本方法是

车道线检测综述

车道线数据集详细介绍，下载地址，使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape（后续会持续更新）

常用的公开车道线数据集合 ApolloScape 论文:The ApolloScape Open Dataset for Autonomous Driving and its Application 简介: 百度2018年公开（CVPR2018 workshops），包含多种道路目标的语义标签（车辆、车道等等），同时也有3D点云信息 评估准则：mAP CULane 论文:Spatial as deep: Spatial CNN for traffic scene unde..

包含有车道线标注的数据集如下： 2017年： Mapillary：一共25k张图片，数据采集于6大洲，貌似还有付费版，下载需要提交申请 TuSimple：一共72k张图片，位于高速路，天气晴朗，车道线清晰，特点是车道线以点来标注 VPGNet：一共20k张图片，卖点是恶劣天气情况，大雨，黑夜这种，下载需要填问卷 CULane：一共98k张图片，包含拥挤，黑夜，无线，暗影等八种难以检测的情况，采数据用了6辆北京的出租车 2018年： BDD100k：120M张图片，伯克利大学推出的一个非常全面的数据集，

ROMA (ROad MArkings)Evaluation of Road Marking Feature Extraction view on IEEE.org 【下文为摘要翻译】 本文提出了一种以评估车道线提取算法（从图像中提取出车道标记特征）的系统方法。尽管已经有很多车道线提取算法被提出，但有关该主题（评价方法）的讨论很少在文献中出现。大多数算法可以分解成三个步骤：提取道路标记的特征，估计

Lane Detection and Classifification using Cascaded CNNs 代码戳here 作者采用两个级联的CNN网络，完成了车道线的实例分割和分类。第一个CNN网络做车道线的实例分割，第二个CNN网络对车道线实例进行分类。论文采用TuSimple数据集。 实例分割 选择ERFNet作为主干网络，论文中...

原文： https://github.com/TuSimple/tusimple-benchmark/tree/master/doc/lane_detection 数据集下载地址： 道路上的对象可以分为两大类：静态对象和动态对象。 车道标记是高速公路上的主要静态组成部分。 他们指示车辆以交互方式安全地在高速公路上行驶。 为了鼓励人们解决高速公路上的车道检测问题，我们发布了大约7,000个1秒钟长的20帧长的视频剪辑。 车道检测是自动驾驶中的一项关键任务，它为汽车的控制提供定位信息。 我们为此任务提供了视

标注数据 将自己的数据用labelme(至于如何安装和使用请自查)打开，然后选择线段或者点进行标注，标注完成之后会生成json格式的标注信息。 处理数据 处理得到的json文件，会生成这五个类型的文件 我这里使用的是批量转换.sh命令，代码如下（如你的数据是单个的你可用自带的命令来生成）： 单个数据转换 labelme_json_to_dataset <文件名>....

原本打算用深度学习的，但是....各种原因。于是想着随便先实现以一下，发现效果还不错，还节约成本。美滋滋 现成代码美滋滋，先上个链接 http://blog.csdn.net/chongshangyunxiao321/article/details/50999212 再上图 用上面博客的代码，再改改参数，美滋滋。 但是会出现丢帧的情况。这对追求完美的我。。。。。。。。。的...