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

这个示例使用:

开放脚本

这个例子展示了如何从Simulink®模型开发CUDA®应用程序，使用卷积神经网络(CNN)执行车道和车辆检测。金宝app本例以交通视频的帧作为输入，输出两个车道边界，分别对应自我车辆的左右车道，并检测帧内的车辆。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编码器工具箱示例™. 有关详细信息，请参阅基于GPU编码器的车道检测优化．此示例还使用预磨料的车辆检测网络对象检测使用YOLO V2深度学习计算机Vision Toolbox™的示例。有关更多信息，请参阅对象检测使用YOLO V2深度学习（电脑视觉工具箱）．

这个例子演示了以下概念:

在Simulink中对车道检测应用进行建模。金宝app首先对交通视频进行预处理，调整大小为227x227x3，并乘以常数因子255。然后，由加载的预先训练的网络对其进行处理预测深度学习工具箱中的块™. 最后，如果检测到左侧和右侧车道边界，则可获得用于模拟车道边界轨迹的抛物线系数。
模拟Simulink中的车辆检测应用。金宝app流量视频由普拉的YOLO V2检测器处理。该网络检测视频中的车辆，并输出这些车辆的边界盒的坐标及其置信度。
配置代码生成模型。
为Simulink模型生成可执行的CUDA。金宝app

第三方的先决条件

CUDA支持NVIDIA GPU。
NVIDIA CUDA工具包和驱动程序。
NVIDIA cuDNN图书馆。
编译器和库的环境变量。有关更多信息，请参阅第三方硬件和设置前提产品下载188bet金宝搏．

验证GPU环境

要验证运行此示例所需的编译器和库是否正确设置，请使用coder.checkGpuInstall函数。

envCfg = coder.gpuEnvConfig (“主持人”）;envCfg。DeepLibTarget =“cudnn”；envCfg.DeepCodegen=1；envCfg.Quiet=1；coder.checkGpuInstall（envCfg）；

算法流程

Simulink模型的算法工作流程框图如图所示。金宝app

获取预制车道和车辆检测网络

此示例使用trainedLaneNet和Yolov2Resnet50车辆示例包含备用网络的MAT文件。这些文件分别为约143MB和98MB。从Mathworks网站下载文件。

lanenetfile = matlab.internal.examples.Download金宝appSupportFile（“gpucoder / cnn_models / lane_detection”那'trowlanenet.mat'）;veviclenetfile = matlab.internal.examples.download金宝appsupportfile（'愿景/数据'那“Yolov2Resnet50车辆示例垫”）;

下载测试流量视频

为了测试模型，该示例使用了Caltech车道数据集。文件大小约为16mb。从Mathworks网站下载文件。

Mediafile = matlab.internal.examples.DownLoad金宝appSupportFile（“gpucoder/media”那'caltech_washington1.avi'）;

车道与车辆检测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。

开放式系统(“laneAndVehicleDetection”）;

在Simulink模型的预测块和检测器块中设置下载网络模型的文件路径。金宝app设置Simulink模型加载的测试视频的位置。金宝app

设置参数(“laneAndVehicleDetection /车道检测”那“网络文件路径”，lanenetfile）set_param（“laneAndVehicleDetection /车辆检测器”那“DetectorFilePath”，veviclenetfile）set_param（'laneandvehicledetection /交通视频'那'InputFileName'，Mediafile）

车道检测

这预测块加载预训练的车道检测网络trainedLaneNet.mat该网络将图像作为输入，并输出两个车道边界，分别对应于ego车辆的左车道和右车道。每个车道边界由抛物线方程表示：

$ y = ax ^ 2 + bx + c $

这里Y是横向偏移，x是距车辆的纵向距离。网络输出每通道的三个参数A，B和C.网络架构类似于AlexNet除了最后几层由较小的完全连接的层和回归输出层替换。这LanedetectionChoordateMATLAB函数块定义了一个函数lane_detection_coordinates它从预测块中获取输出并输出三个参数，即。lanefound.那LTPT.和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.被设置为真实，并计算边界的轨迹并存储在LTPT.和rtPts分别。

类型lane_detection_coordinates

函数[lanefound，ltpts，rtpts] = lane_detection_coordinates（lanenetout）％copyright 2020-2021 Mathworks，Inc。持久Lanecoeffmeans;如果是isempty（lanecoeffmeans）lanecoeffmeans = [-0.0002,0.0002,1.4740，-0.0002,0.0045，-1.3787];结束持久Lanecoeffstds;如果是isempty（lanecoeffstds）lanecoeffstds = [0.0030,0.0766,0.6313,0.0026,0.0736,0.9846];结束Params = Lanenetout。* Lanecoeffstds + Lanecoeffmeans;％'C'应该超过0.5，因为它是右车道IsrightLaneFound = ABS（参数（6））> 0.5;isleftlanefound = abs（Params（3））> 0.5;持久的车辆xpoints;如果是isempty（vishxpoints）的车辆xpintss = 3:30;％仪表，在传感器端LTPTS =编码器.NULLCOPY（零（28,2，'单'））; 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

YOLO V2对象检测网络由两个子网组成：特征提取网络，后跟检测网络。这个佩带的网络使用了一个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模型使用对象探测器计算机视觉工具箱（TM）中的块。该块将图像作为输入，并输出边界框坐标以及图像中车辆的置信度分数。

交通视频中车辆边界框和车道轨迹的注释

这拉尼维希克林符号MATLAB函数块定义了一个函数lane_vehicle_annotation注释车辆边界框以及置信度得分。如果lanefound.如果为true，则左车道和右车道边界存储在LTPT.和rtPts在交通视频中有注释。

类型lane_vehicle_annotation

函数In=lane_vehicle_annotation（laneFound，ltPts，rtPts，bboxes，scores，In）%MathWorks，Inc.版权所有2020-2021如果~isempty（bboxes）In=InsertObject annotation（In，'rectangle'，bboxes，scores）；end pts=coder.nullcopy（零（零（28，4，'single'）；如果laneFound prevpt=[ltPts（1,1）ltPts（1,2）]；对于k=2:1:28 pts（k，1:4）=[prevpt-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）]；对于k=2:1:28 pts（k，1:4）=[prevt-rtPts（k，1）rtPts（k，2）]；prevpt=[rtPts（k，pts，1）rtPts（k，2）]；end-In=insertShape（In，“Line”，pts，'LineWidth'，2）；In=insertMarker（In，ltPts），end

运行模拟

打开“配置参数”对话框。

在模拟目标窗格，选择GPU加速．在里面深度学习组，选择目标库为cuDNN．

set_param (bdroot“GPUAcceleration”那'在'）;set_param (bdroot“SimDLTargetLibrary”那“cudnn”）;set_param (bdroot'dltargetlibrary'那“cudnn”）;

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

设置参数(“laneAndVehicleDetection”那'simulationmode'那'普通的')；sim卡(“laneAndVehicleDetection”）;

生成和构建Simulink模型金宝app

在代码生成窗格，选择语言作为c++并使生成GPU的代码．

set_param (bdroot'targetlang'那'c ++'）;set_param (bdroot“GenerateGPUCode”那“库达”）;

在子类别图书馆的代码生成>GPU代码窗格，启用Cublas.那Cusolver.和袖口．

set_param (bdroot“GPUcuBLAS”那'在'）;set_param (bdroot'gpucusolver'那'在'）;set_param (bdroot“GPUcuFFT”那'在'）;

在主机GPU上生成并构建Simulink模型金宝appslbuild命令。代码生成器将文件放在建立文件夹，子文件夹名为laneAndVehicleDetection_ert_rtw在当前工作文件夹下。

状态=评估(“slbuild (laneAndVehicleDetection)”）;

生成的CUDA代码

子文件夹命名laneAndVehicleDetection_ert_rtw包含生成的与Simulink模型中的不同块对应的c++代码，以及在这些块中执行的特定操作。金宝app例如，文件trainedLaneNet0_laneAndVehicleDetection0.h包含包含代表预制车道检测网络的属性和成员函数的C ++类。

同样，文件YOLOV2RESNET50VEHICEEXAMPLE0_LANEANDVEHICLETECTIONTE0.H.包含代表普雷雷达yolo v2检测网络的C ++类。

也可以看看

职能

Open_System.(金宝app模型)|load_system(金宝app模型)|save_system(金宝app模型)|close_system(金宝app模型)|bdclose.(金宝app模型)|get_param.(金宝app模型)|set_param(金宝app模型)|sim卡(金宝app模型)|slbuild(金宝app模型)