视觉无人机高速公路违章检测的研究——阶段思考与计划2019.2.17-2019.2.23

https://blog.****.net/u010712012/article/details/86566960
之前提到我们要检测车道线不能实现智能化的问题，后来想了想，这何止是不智能化，连工程都算不上，因为我用的是检测出来的一根直线和bbox进行判断，就算是hough函数中的参数每次都要自己调整到检测出一根直线，也和实际的不符，因为现实的车道线都是有一定宽度的，而且交通部门应该是固定的一个宽度。

所以，是否能够把检测到的车道直线左右扩充成车道带，然后再和bbox进行IOU计算，设定一个IOU阈值，这里需要用多张图片试验，得到一个比较适合的阈值，这是第一个条件，在满足第一个条件的前提下，再判断连续几帧bbox和车道带是否都超过了第一个条件的阈值，那么我们把这个几帧的图片的帧数当做第二个条件的阈值。通过这两个条件联合判断，判断压线。

下面是判断压线的旧的方法，一味用数学的方法比如说之前的想法：这样真的不好工程产品化。

在现在的车道线检测中，图像分割虽然可以做到像素级别的分割，但是需要的算力和数据是巨大的，所以就我这个课题，无法使用图像分割来检测车道线。深度学习在计算机视觉领域能解决的大部分是宏观角度的问题，如分类，检测，分割出物体，生成图片，图片理解。但是在例如车道线检测和像素级别理解的层次，对硬件和数据要求还是很可怕的。所以，若无必要，勿增实体。

之前想通过loss function来得到一组最优的hough参数，实际上，还是需要根据不同的场景图片来调整，没有解决根本问题。

之前python通过一个dictionary来存当前帧图片当中的车道线直线的像素坐标值(y:x)，如果有好几帧的话，那么对于内存来讲是压力很大的，所以这里可以用一个滑动窗口的数据结构来动态分配字典数据，用两个索引，来存储前后好几帧的车道线像素的坐标，即下一帧的车道线的像素坐标可以更好地存在字典当中。

我们并不需要一开始就把车道线扩充成带状，而是到计算IOU之前那一步，把车道直线左右扩充后再进行计算，这样节省了存储车道线像素的空间，也说得过去。

我们知道扩充车道线的像素坐标，又知道bbox的坐标，那么计算IOU应该不难。

若有好几辆车压在线上，有几个bbox，就循环几次寻找IOU，还可以标定车辆的号码，1号车是否压线，2号车没有压线等等。。。

所以这几天的任务：
1.车辆检测yolov2，yolov3原理彻底弄透，看看能不能把mobileNet加上去，或者tiny版本，因为后期可以要放在tx2上。注意框架：tf

2.车道线检测，调研改进的Hough变换算法，就是和其有关的解决方案。FCN图像分割是识别车道区域的，这个需要大量的数据，先放着，作为备用方案。只有检测出具有图片泛化性的车道线或者车道，才能进行后续的判压线，判变道，判占应急车道等违章行为。

3.判压线模型，因为微观的东西深度学习还无法做到理解，所以还是需要人为设计一个数学模型去解决。就用上述思想，把车道线检测结果(若是像素级别的车道线)，就左右＋1或者加上一个经验值，成为车道带，再让车辆的bbox和其做IOU，大于阈值1，再判断后面连续几帧，都符合大于这个阈值1的话，设定这个帧数为阈值2，这两个条件联合起来判断压线。