基于深度学习的Simulink车道和车辆检测金宝app

这个示例使用:

打开脚本

这个例子展示了如何在Simulink®模型中使用深度卷积神经网络来执行车道和车辆检测。金宝app本例以交通视频中的帧作为输入，输出两个车道边界，分别对应ego车辆的左右车道，并检测帧中的车辆。

本例使用预先训练的车道检测网络基于GPU编码器的车道检测优化GPU编码器工具箱™的示例。有关更多信息，请参见基于GPU编码器的车道检测优化(GPU编码器)．

本例还使用了预先训练的车辆检测网络使用YOLO v2进行对象检测计算机视觉工具箱的示例™。有关更多信息，请参见使用YOLO v2进行对象检测(计算机视觉工具箱)．

算法流程

给出了Simulink模型的算法流程框图。金宝app

预先训练车道和车辆检测网络

的getVehicleDetectionAndLaneDetectionNetworks功能下载trainedLaneNet.mat和yolov2ResNet50VehicleExample.mat文件，如果它们不存在。

getVehicleDetectionAndLaneDetectionNetworks ()

下载预训练车道侦测网络(143mb)…下载预先训练的车辆侦测网络(98mb)…

下载示例视频

如果~ (”。/ caltech_washington1.avi ',“文件”) url =“//www.tatmou.com/金宝appsupportfiles/gpucoder/media/caltech_washington1.avi”；websave (“caltech_washington1.avi”url);结束

车道和车辆检测的Simulink模型金宝app

给出了对金宝app交通视频进行车道和车辆检测的Simulink模型。当模型运行时，视频查看器Block显示带有车道和车辆标注的交通视频。

open_system (“laneAndVehicleDetectionMDL”）;

车道检测

对于车道检测，对交通视频进行预处理，将视频的每帧大小调整为227 × 227 × 3，然后将其缩放为255倍。预处理后的帧被输入到trainedLaneNet.mat网络加载在预测区块从深度学习工具箱™。该网络以图像为输入输出两个车道边界，分别对应自我车辆的左右车道。每条车道边界用抛物方程表示:

$ y = ax ^ 2 + bx +加元

这里y是横向偏移，x是到车辆的纵向距离。网络输出每个车道的三个参数a、b和c。网络架构类似于AlexNet除了最后几层被一个更小的完全连接层和回归输出层所取代。的车道检测坐标MATLAB函数块定义了一个函数lane_detection_coordinates从预测块中获取输出输出三个参数;laneFound,ltPts,rtPts．阈值用于确定是否同时找到左车道和右车道边界。如果两者都找到了，laneFound是否设置为真，边界的轨迹被计算并存储在其中ltPts和rtPts分别。

类型lane_detection_coordinates

function [laneFound,ltPts,rtPts] = lane_detection_coordinates(laneNetOut) % Copyright 2020 The MathWorks, Inc. persistent laneCoeffMeans;if isempty(laneCoeffMeans) laneCoeffMeans = [-0.0002 0.0002 1.4740 -0.0002 0.0045 -1.3787];结束持久laneCoeffStds;if is空(laneCoeffStds) laneCoeffStds = [0.0030 0.0766 0.6313 0.0026 0.0736 0.9846];end params = laneNetOut .* laneCoeffStds + laneCoeffMeans;isRightLaneFound = abs(params(6)) > 0.5;isLeftLaneFound = abs(params(3)) > 0.5;持久vehicleXPoints;if isempty(vehicleXPoints) vehicleXPoints = 3:30;ltPts = code .nullcopy(zeros(28,2，'single')); rtPts = coder.nullcopy(zeros(28,2,'single')); if isRightLaneFound && isLeftLaneFound rtBoundary = params(4:6); rt_y = computeBoundaryModel(rtBoundary, vehicleXPoints); ltBoundary = params(1:3); lt_y = computeBoundaryModel(ltBoundary, vehicleXPoints); % Visualize lane boundaries of the ego vehicle tform = get_tformToImage; % map vehicle to image coordinates ltPts = tform.transformPointsInverse([vehicleXPoints', lt_y']); rtPts = tform.transformPointsInverse([vehicleXPoints', rt_y']); laneFound = true; else laneFound = false; end end

车辆检测

本例使用基于YOLO v2的网络进行车辆检测。YOLO v2对象检测网络由特征提取网络和检测网络两个子网组成。这个预先训练的网络使用ResNet-50特征提取。与特征提取网络相比，检测子网络是一个较小的CNN，由几个卷积层和针对YOLO v2的层组成。

Simu金宝applink模型在内部执行车辆检测MATLAB函数块车辆检测YOLOv2．这个函数块定义了一个函数vehicle_detection_yolo_v2加载预先训练的YOLO v2检测器。该网络以一幅图像为输入，输出边界框坐标以及图像中车辆的置信度得分。

类型vehicle_detection_yolo_v2

function [bboxes,scores] = vehicle_detection_yolo_v2(In) % Copyright 2020 The MathWorks, Inc. persistent yolodetector;if isempty(yolodetector) yolodetector = code . loaddeeplearningnetwork ('yolov2ResNet50VehicleExample.mat');end [bboxes,scores，~] = yolodetector.detect(In， 'threshold'， .2);结束

交通视频中车辆包围盒和车道轨迹标注

的行车线及车辆注释MATLAB函数块定义了一个函数lane_vehicle_annotation它标注了车辆的边界框和置信度得分。如果laneFound是真的吗，那么左右车道的边界存储在哪里呢ltPts和rtPts都覆盖在交通视频上。

类型lane_vehicle_annotation

if ~isempty(bboxes) In = insertObjectAnnotation(In， 'rectangle'， bboxes, scores);End PTS =编码器。nullcopy(0(28 4 '单'));if laneFound prevpt = [ltPts(1,1) ltPts(1,2)]; / /将数据保存for k = 2:1:28 pts(k,1:4) = [prevpt ltPts(k,1) ltPts(k,2)];prevpt = [ltPts(k,1) ltPts(k,2)];end In = insertShape(In， 'Line'， pts， 'LineWidth'， 2);prevpt = [rtPts(1,1) rtPts(1,2)];for k = 2:1:28 pts(k,1:4) = [prevpt rtPts(k,1) rtPts(k,2)];prevpt = [rtPts(k,1) rtPts(k,2)]; end In = insertShape(In, 'Line', pts, 'LineWidth', 2); In = insertMarker(In, ltPts); In = insertMarker(In, rtPts); end end

运行仿真

为了验证车道和车辆检测算法，并显示Simulink模型中加载的交通视频的车道轨迹、车辆包围盒和分数，运行仿真。金宝app

set_param (“laneAndVehicleDetectionMDL”,“SimulationMode”,“正常”）;sim卡(“laneAndVehicleDetectionMDL”）;

警告:检测到溢出饱和。在MATLAB函数'laneAndVehicleDetectionMDL/Lane and VehicleAnnotation ': function In = LaneVehicleAnnotation(laneFound, ltPts, rtPts, bboxes, scores, In)建议的操作:——< a href = " mat金宝applab仿真软件。SuppressedDiagnostic({'laneAndVehicleDetectionMDL/Lane and Vehicle Annotation'}，'Stateflow:Runtime:DataSaturateError');" >抑制< / >

代码生成

使用GPU Coder™，您可以加速模型在NVIDIA®GPU上的执行，并为模型生成CUDA®代码。看到执行车道和车辆检测的深度学习Simulink模型的代码生成金宝app(GPU编码器)为更多的细节。

清理

关闭Simulink金宝app模型。

close_system (“Lane and vehicledetectionmdl /Lane and VehicleDetection Output”）;close_system (“laneAndVehicleDetectionMDL”）;