创建基于霍夫线的 TensorFlow 模型答案

【问题标题】：Creating a Tensorflow Model Based on Hough Lines创建基于霍夫线的 TensorFlow 模型
【发布时间】：2018-11-25 19:31:52
【问题描述】：

所以我有一个创建自动遥控车的项目。为了进行虚拟训练，我设置了一个模拟器来收集图片数据以及转向角度。然后我使用 OpenCV 程序，使用霍夫线检测，检测道路上的 3 条线。我想创建一个模型，当输入图像时，输出将是一个转向角。使用 TensorFlow，我用这些图像训练了一个 CNN，结果非常糟糕。

我应该使用什么样的模型？

我应该如何训练这些图像？

和

我还可以使用每一行的实际数据来训练数据，对于检测到的一行看起来像这样：

[[[0.0, 63.0, 54.0, 31.0, -0.5925925925925926]]]

检测到 2 行：

[[[0.0, 61.0, 34.0, 32.0, -0.8529411764705882], [41.0, 42.0, 43.0, 77.0, 17.5]]]

唯一的问题是我不知道如何处理可变大小的输入。帮忙？

【问题讨论】：

我以为你在检测“路上的 3 条线路”？我在你的霍夫线图像中只能看到两条。
如果你愿意，可以称我为一个无聊的老式老顽固，但我不确定你是否需要神经网络。我原以为你可以创建一个几何模型，当它遇到以前从未见过的曲线时，它可能更容易，也更可预测，而不是尝试训练神经网络给你一个转向角.注意我说“你”是因为当我不知道它可能的输入->输出关系在每一个情况下是什么时，我不可能让任何神经网络驾驶我的汽车遇到。
可能有 3 行，但有时会漏掉一行，这需要考虑
所以我猜您的解决方案需要两个输出：一个转向角，以及一个“需要人工控制”的信号，该信号会发出喇叭声，让驾驶员做出关键决定转向哪里？跨度>

【解决方案1】：

现在已经很晚了，但我希望这个答案仍然有用。

CNN 是具有二维输入的 NN，因此具有恒定长度矩阵（例如图像）的馈送；但是它们的大部分学习能力来自于 CNN 能够从相关数据中学习这一事实，因此它将更好地处理未处理的图像（实际上卷积层执行自适应特征提取）。

我认为，如果您需要使用 CNN，您应该专注于将训练图像标记为右转、左转和完全不转的集合，以便对转弯侧进行分类，并将转向控制交给一些基于模糊逻辑的控制器例子。

如果您希望使用 NN 进行控制，我将使用循环的决策，因为您需要比较图片曲线随时间的变化

【讨论】：