基于深度学习的Simulink车道和车辆检测金宝app
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
本示例使用trainedLaneNet和yolov2ResNet50VehicleExample包含预先训练的网络的mat文件。文件大小分别约为143MB和98MB。从MathWorks网站下载这些文件。
lanenetFile = matlab.internal.examples.download金宝appSupportFile (“gpucoder / cnn_models / lane_detection”，“trainedLaneNet.mat”）;vehiclenetFile = matlab.internal.examples.download金宝appSupportFile (“视觉/数据”，“yolov2ResNet50VehicleExample.mat”）;
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网站下载这些文件。
mediaFile = matlab.internal.examples.download金宝appSupportFile (“gpucoder /媒体”，“caltech_washington1.avi”）;
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”）;
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
set_param (“laneAndVehicleDetectionMDL /车道检测”，“NetworkFilePath”lanenetFile) set_param (“laneAndVehicleDetectionMDL /车辆检测器”，“DetectorFilePath”vehiclenetFile) set_param (“laneAndVehicleDetectionMDL /交通视频”，“inputFileName”mediaFile)
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:
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 2020-2021 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模型使用对象探测器块从计算机视觉工具箱。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”）;
在Windows®上，260个字符的最大路径长度可能导致“文件未找到”运行模拟时的错误。在这种情况下，将示例文件夹移动到另一个位置或在Windows中启用长路径。有关更多信息，请参见最大路径长度限制(Microsoft)．
使用深度学习加速器库
如果您有一个支持AVX2指令的Intel®CPU，您可以使用金宝app深度学习库的MATLAB编码器接口使用Intel MKL-DNN库加速仿真。在“模型配置参数”窗口的“模拟目标”窗格中，将“语言”设置为c++和目标库MKL-DNN．
代码生成
使用GPU编码器，您可以加速模型在NVIDIA®GPU上的执行，并为模型生成CUDA®代码。有关更多信息，请参见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)．
你也可以从以下列表中选择一个网站:
