論文の概要: Vision-Based Lane Detection and Tracking under Different Challenging Environmental Conditions

• arxiv url: http://arxiv.org/abs/2210.10233v1
• Date: Wed, 19 Oct 2022 01:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 14:38:52.068246
• Title: Vision-Based Lane Detection and Tracking under Different Challenging Environmental Conditions
• Title（参考訳）: 異なる環境条件下での視覚に基づく車線検出と追跡
• Authors: Samia Sultana, Boshir Ahmed, Manoranjan Paul, Muhammad Rafiqul Islam and Shamim Ahmad
• Abstract要約: レーンマーキングは、環境変化のために視界が低く、見えにくいか、しばしば見えないかを検出するのが難しい。 本稿では,車線標識検出のための頑健な車線検出・追跡手法を提案する。 実験の結果、平均検出率は97.36%であり、平均検出時間は1フレームあたり29.06msecであり、最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 8.312192184427762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driving is very challenging when the visibility of a road lane marking is low, obscured or often invisible due to abrupt environmental change which may lead to severe vehicle clash. A large volume of research has been done on lane marking detection. Most of the lane detection methods suffer from four types of major problems: (i) abrupt illumination change due to change in time (day, night), weather, road, etc.; (ii) lane markings get obscured partially or fully when they are colored, eroded or occluded; (iii) blurred view created by adverse weather like rain or snow; and (iv) incorrect lane detection due to presence of other lookalike lines e.g. guardrails, pavement marking, road divider, vehicle lines, the shadow of trees, etc. In this paper, we proposed a robust lane detection and tracking method to detect lane marking considering the abovementioned challenging conditions. In this method, we introduced three key technologies. First, the bilateral filter is applied to smooth and preserve the edges and we introduced an optimized intensity threshold range (OITR) to improve the performance of the canny operator which detects the edges of low intensity (colored, eroded, or blurred) lane markings. Second, we proposed a robust lane verification technique, the angle and length-based geometric constraint (ALGC) algorithm followed by Hough Transform, to verify the characteristics of lane marking and to prevent incorrect lane detection. Finally, a novel lane tracking technique, the horizontally adjustable lane repositioning range (HALRR) algorithm is proposed, which can keep track of the lane position. To evaluate the performance of the proposed method we used the DSDLDE dataset with 1080x1920 resolutions at 24 frames/sec. Experimental results show that the average detection rate is 97.36%, and the average detection time is 29.06msec per frame, which outperformed the state-of-the-art method.
• Abstract（参考訳）: 道路標識の視認性が低く、あいまいで、しばしば目に見えない場合、突然の環境変化によって車両の衝突を引き起こす可能性があるため、運転は非常に困難である。 レーンマーキング検出に関する多くの研究が行われている。 ほとんどの車線検出方法は4つの主要な問題に苦しんでいる。 (i)時刻(昼夜)、天候、道路等の変化による突然の照明変化 ; (二)レーンマーキングは、色付け、浸食又は閉塞したときは、部分的に又は完全に隠される。 (三)雨や雪などの悪天候によるぼやけた景色 (iv)ガードレール、舗装マーキング、道路分割器、車両線、樹木の影など他の外観的線の存在による不正確な車線検出 本稿では,上記の課題を考慮した車線標識検出のための頑健な車線検出・追跡手法を提案する。 本手法では,3つの重要な技術を紹介した。 まず, 両側フィルタを適用してエッジを滑らかに保存し, 低強度(色, 浸食, ぼやけた)レーンマーキングのエッジを検出するキャニー演算子の性能を改善するために, 最適化インテンシティ閾値範囲(oitr)を導入した。 次に,レーンマーキングの特性を検証し,不正確なレーン検出を防止するため,ロバストなレーン検証手法であるアングルと長さに基づく幾何制約(algc)アルゴリズムとhough変換を提案する。 最後に,新しい車線追跡手法である水平調整可能な車線再配置範囲(HALRR)アルゴリズムを提案し,車線位置の追跡を行う。 提案手法の性能評価には1080x1920解像度のDSDLDEデータセットを24フレーム/秒で使用した。 実験の結果、平均検出率は97.36%であり、平均検出時間は1フレームあたり29.06msecであり、最先端の手法よりも優れていた。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• An Efficient Transformer for Simultaneous Learning of BEV and Lane Representations in 3D Lane Detection [55.281369497158515]
  3次元車線検出のための効率的な変圧器を提案する。 バニラ変圧器と異なり、我々のモデルは車線とBEVの表現を同時に学習するクロスアテンション機構を含んでいる。 本手法は,2次元および3次元の車線特徴を画像ビューとBEVの特徴にそれぞれ適用することにより,2次元および3次元車線予測を実現する。
  論文  参考訳（メタデータ） (2023-06-08T04:18:31Z)
• RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
  本稿では,リレーチェーン予測に基づく車線検出手法を提案する。 当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
  論文  参考訳（メタデータ） (2022-07-19T16:48:39Z)
• RONELDv2: A faster, improved lane tracking method [1.3965477771846408]
  車線検出は、自動運転車や車線出発警報システムにおいて、制御システムの不可欠な部分である。 本稿では,改良された軽量車線検出手法 RONELDv2を提案する。 提案した改良モデルを用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫した向上を示した。
  論文  参考訳（メタデータ） (2022-02-26T13:12:09Z)
• Preprocessing Methods of Lane Detection and Tracking for Autonomous Driving [0.0]
  リアルタイムレーン検出とトラッキング(LDT)は、上記のタスクを実行するための最も結果的な部分の1つです。 本稿では,車線標識検出のための前処理手法と,車線境界をリアルタイムで追跡するシステムについて検討する。
  論文  参考訳（メタデータ） (2021-04-10T13:03:52Z)
• Lane Detection Model Based on Spatio-Temporal Network With Double Convolutional Gated Recurrent Units [11.968518335236787]
  レーン検出は今後しばらくは未解決の問題として残るだろう。 二重円錐 Gated Recurrent Units (ConvGRUs) を用いた時空間ネットワークは、困難なシーンにおける車線検出に対処することを提案した。 我々のモデルは最先端の車線検出モデルより優れている。
  論文  参考訳（メタデータ） (2020-08-10T06:50:48Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)
• Real-Time Lane ID Estimation Using Recurrent Neural Networks With Dual Convention [0.0]
  両左利きコンベンションに基づく視覚のみの解法(モノクラーカメラ)を提案する。 極端な条件と異なる経路を持つ挑戦的なテストセットで95%以上の精度を達成する。
  論文  参考訳（メタデータ） (2020-01-14T10:52:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。