# roadlane-segmentation
## 用语义分割的方式来做车道线检测
原本的想法是使用语义分割的方式，来识别经过逆透视变换之后的俯视图中的车道线，参考了[这篇论文](https://arxiv.org/abs/1812.05914)中提到的模型。论文中是是多分类，对于我的需求只需要划分车道线和背景即可，所以输出的通道数为1，之后通过设置阈值可以提高测试图片测试结果的表现。 <br>
<img src="https://github.com/WantUrHug/roadlane-segmentation/raw/master/images/origin.png" width="200"/>
<img src="https://github.com/WantUrHug/roadlane-segmentation/blob/master/images/threshold_0.5.png" width="200"/>
<img src="https://github.com/WantUrHug/roadlane-segmentation/blob/master/images/threshold_0.7.png" width="200"/>
<img src="https://github.com/WantUrHug/roadlane-segmentation/blob/master/images/threshold_0.9.png" width="200"/>
基于python实现语义分割方法的车道线检测源码+项目说明.zip
版权申诉
189 浏览量
2024-04-30
14:50:49
上传
评论
收藏 1.35MB ZIP 举报
基于python实现语义分割方法的车道线检测源码+项目说明.zip （32个子文件） 
code 
Cascade_LD_training.py 56B gcn-model gcn-400.data-00000-of-00001 123KB checkpoint 515B gcn-400.meta 577KB gcn-800.index 8KB gcn-1600.index 8KB gcn-2000.meta 577KB gcn-1200.index 8KB gcn-2000.data-00000-of-00001 123KB gcn-400.index 8KB gcn-1200.data-00000-of-00001 123KB gcn-800.data-00000-of-00001 123KB gcn-1200.meta 577KB gcn-2000.index 8KB gcn-800.meta 577KB gcn-1600.data-00000-of-00001 123KB gcn-1600.meta 577KB utils.py 6KB build.bat 267B prepare_data.py 3KB LCNet.py 2KB images 
threshold_0.7.png 12KB origin.png 493KB threshold_0.5.png 14KB threshold_0.9.png 10KB GCN.py 3KB ERFNet.py 5KB train.py 5KB __pycache__ GCN.cpython-36.pyc 2KB utils.cpython-36.pyc 4KB test.py 2KB README.md 912B资源评论
