車道檢測(cè)旨在識(shí)別道路上可見(jiàn)車道邊界線的位置和曲度。這一功能可以幫助車輛行駛于車道中間，并在車道改變時(shí)進(jìn)行安全導(dǎo)航。

上一篇文章提到，必須用算法預(yù)測(cè)車輛的類別（分類）和位置（邊界框）。本例則有所不同，我需要算出一組數(shù)字，用來(lái)表示左右車道邊界線的拋物線系數(shù)。

為解決這一問(wèn)題，我將構(gòu)建一個(gè)執(zhí)行回歸的 CNN 輸出系數(shù)。

與上一篇博文中提到的步驟類似，第一步是通過(guò)表示出左右車道邊界線的真值標(biāo)注一組訓(xùn)練數(shù)據(jù)。和之前一樣，我建議使用MATLAB Automated Driving System Toolbox中的 Ground Truth Labeler app。除了使用矩形邊界框標(biāo)注其他目標(biāo)外，請(qǐng)注意觀察我如何在下圖中用多條線標(biāo)注車道邊界線。

標(biāo)注的目標(biāo)和車道邊界線

為便于了解車道邊界線的真值，下表顯示了用于存儲(chǔ)系數(shù)的表。注意：每一欄代表其中一個(gè)拋物線系數(shù)。

表示車道邊界線的拋物線系數(shù)

您會(huì)發(fā)現(xiàn)，本次任務(wù)只有 1225 個(gè)訓(xùn)練樣本，而這通常不足以訓(xùn)練一個(gè)深度網(wǎng)絡(luò)。實(shí)際原因是我使用了遷移學(xué)習(xí)，也就是利用一個(gè)已經(jīng)存在且經(jīng)過(guò)大量圖像訓(xùn)練的網(wǎng)絡(luò)進(jìn)行尋找車道邊界線的特定任務(wù)。

我將以 AlexNet 為起點(diǎn)，訓(xùn)練它識(shí)別 1000 種不同類別的圖像。您可以使用一行代碼，將預(yù)先訓(xùn)練好的 AlexNet 模型加載到 MATLAB 中。當(dāng)然，MATLAB 允許您加載其他模型，比如 GoogLeNet、VGG-16 和 VGG-19，或者從 Caffe ModelZoo導(dǎo)入模型。

當(dāng)網(wǎng)絡(luò)加載到 MATLAB 中之后，我需要稍微修改一下它的結(jié)構(gòu)，把它從一個(gè)分類網(wǎng)絡(luò)變成一個(gè)回歸網(wǎng)絡(luò)。注意：在下面的代碼中，我有 6 個(gè)輸出結(jié)果，對(duì)應(yīng)每個(gè)車道邊界線（左和右）的三個(gè)拋物線系數(shù)。

訓(xùn)練該網(wǎng)絡(luò)時(shí)，我使用了一個(gè) NVIDIA Titan X (Pascal) GPU。如下圖中所示，訓(xùn)練該網(wǎng)絡(luò)耗時(shí) 245 秒。

這次花費(fèi)的時(shí)間比我預(yù)期的要少，主要原因是由于只需訓(xùn)練得到新層有限數(shù)量的權(quán)值。另一個(gè)原因是，當(dāng)有 GPU 可用時(shí)，MATLAB 會(huì)自動(dòng)使用 CUDA 和 cuDNN 加速訓(xùn)練過(guò)程。

在 NVIDIA Titan X GPU 上訓(xùn)練車道邊界線檢測(cè)回歸網(wǎng)絡(luò)的訓(xùn)練進(jìn)度

盡管訓(xùn)練樣本數(shù)量有限，但網(wǎng)絡(luò)表現(xiàn)非常出色，準(zhǔn)確地檢測(cè)出了車道邊界線，如下圖所示。

車道邊界線檢測(cè)網(wǎng)絡(luò)的輸出

在本系列博文中，我介紹了如何使用深度學(xué)習(xí)和 MATLAB 完成一些常見(jiàn)的自動(dòng)駕駛感知任務(wù)。我希望這些文章能幫助您了解真值標(biāo)注將如何影響解決這些問(wèn)題所需的時(shí)間，以及在MATLAB 中使用 GPU 加速定義和訓(xùn)練神經(jīng)網(wǎng)絡(luò)的易用性和性能。