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).
给出了Simulink模型的算法流程框图。金宝app
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)…
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
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”);
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:
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
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
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
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< / >
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。
关闭Simulink金宝app模型。
close_system (“Lane and vehicledetectionmdl /Lane and VehicleDetection Output”);close_system (“laneAndVehicleDetectionMDL”);