ppvehicle_press.md

English | 简体中文

PP-Vehicle压实线识别模块

车辆压实线识别在智慧城市，智慧交通等方向具有广泛应用。在PP-Vehicle中，集成了车辆压实线识别模块，可识别车辆是否违章压实线。

任务	算法	精度	预测速度	下载链接
车辆检测/跟踪	PP-YOLOE	mAP 63.9	38.67ms	预测部署模型
车道线识别	PP-liteseg	mIou 32.69	47 ms	预测部署模型

注意：

1. 车辆检测/跟踪模型预测速度是基于NVIDIA T4, 开启TensorRT FP16得到。模型预测速度包含数据预处理、模型预测、后处理部分。
2. 车辆检测/跟踪模型的训练和精度测试均基于VeRi数据集。
3. 车道线模型预测速度基于Tesla P40,python端预测，模型预测速度包含数据预处理、模型预测、后处理部分。
4. 车道线模型训练和精度测试均基于BDD100K-LaneSeg和Apollo Scape,两个数据集车道线分割标签

使用方法

配置项说明

配置文件中与车辆压线相关的参数如下：

VEHICLE_PRESSING:
  enable: True               #是否开启功能
LANE_SEG:
  lane_seg_config: deploy/pipeline/config/lane_seg_config.yml #车道线提取配置文件
  model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/pp_lite_stdc2_bdd100k.zip   #模型文件路径

车道线配置文件中与车道线提取相关的参数如下：

type: PLSLaneseg  #选择分割模型

PLSLaneseg:
  batch_size: 1                                       #图片batch_size
  device: gpu                                         #选择gpu还是cpu
  filter_flag: True                                   #是否过滤水平方向道路线
  horizontal_filtration_degree: 23                    #过滤水平方向车道线阈值，当分割出来的车道线最大倾斜角与
                                                      #最小倾斜角差值小于阈值时，不进行过滤
  horizontal_filtering_threshold: 0.25                #确定竖直方向与水平方向分开阈值
                                                      #thr = (min_degree+max_degree)*0.25
                                                      #根据车道线倾斜角与thr的大小比较，将车道线分为垂直方向与水平方向

使用命令

1. 从模型库下载车辆检测/跟踪, 车道线识别两个预测部署模型并解压到./output_inference路径下；默认会自动下载模型，如果手动下载，需要修改模型文件夹为模型存放路径。
2. 修改配置文件中VEHICLE_PRESSING项的enable: True，以启用该功能。
3. 图片输入时，启动命令如下(更多命令参数说明，请参考快速开始-参数说明)：

# 预测单张图片文件
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                   -o VEHICLE_PRESSING.enable=true
                                   --image_file=test_image.jpg \
                                   --device=gpu

# 预测包含一张或多张图片的文件夹
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                   -o VEHICLE_PRESSING.enable=true
                                   --image_dir=images/ \
                                   --device=gpu

4. 视频输入时，启动命令如下：

#预测单个视频文件
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                   -o VEHICLE_PRESSING.enable=true
                                   --video_file=test_video.mp4 \
                                   --device=gpu

#预测包含一个或多个视频的文件夹
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                   --video_dir=test_videos/ \
                                   -o VEHICLE_PRESSING.enable=true
                                   --device=gpu

5. 若修改模型路径，有以下两种方式：

   • 方法一：./deploy/pipeline/config/infer_cfg_ppvehicle.yml下可以配置不同模型路径，车道线识别模型修改LANE_SEG字段下配置
   • 方法二：直接在命令行中增加-o，以覆盖配置文件中的默认模型路径：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu \
                                                   -o VEHICLE_PRESSING.enable=true
                                                   LANE_SEG.model_dir=output_inference

测试效果如下：

方案说明

1.车道线识别模型使用了PaddleSeg 的超轻量分割方案。训练样本标签分为4类： 0 背景 1 双黄线 2 实线 3 虚线 车辆压线分析过滤虚线类；

2.车道线通过对分割结果聚类得到，且默认过滤水平方向车道线，若不过滤可在车道线配置文件修改filter_flag参数；

3.车辆压线判断条件：车辆的检测框底边线与车道线是否有交点；

性能优化措施 1.因摄像头视角原因，可以根据实际情况决定是否过滤水平方向车道线;