%加载MAT文件与地面真实数据。加载=加载(“加州理工学院科尔多瓦1号”和“汽车地面真相.mat”）;

%创建VideoReader对象以读取视频帧。videoName = loaded.videoName;fileReader = VideoReader (videoName);%地面实况数据按时间表组织。gtdata=加载的地面数据；%显示地面真实数据的前几行。总目（gtdata）

阅读视频的第一帧。帧= readFrame (fileReader);%提取第一帧中的所有车道点。lanePoints = gtdata.LaneBoundaries {1};%提取第一帧中的车辆边界框。VehicleBox=gtdata.Vehicles{1}；%叠加右车道点和车辆包围框。frame=insertMarker（frame，lanePoints{2}，“X”）;= insertObjectAnnotation帧(帧,“矩形”，车辆箱，“车辆”）;%在第一帧显示地面真实数据。图imshow(框架)

%设置monoSensorHelper处理视频。monoCameraSensor = loaded.sensor;monoSensorHelper = helperMonoSensor (monoCameraSensor);%为测量创建具有相同时间向量的新时间表。测量=时间表(gtdata.Time);为保持车道边界和车辆数据设置时间表列。numFrames=floor（fileReader.FrameRate*fileReader.Duration）；measurements.LaneBoundaries=cell（numFrames，2）；measurements.VehicleDetections=cell（numFrames，1）；gtdata.LanesInVehicleCoord=cell（numFrames，2）；%将视频回放到t=0，并创建一个帧索引以保持当前状态%框架。fileReader.CurrentTime=0；frameIndex=0；%循环播放视频文件，直到没有新的帧。虽然hasFrame（文件阅读器）frameIndex=frameIndex+1；frame=readFrame（文件阅读器）；%使用processFrame方法计算检测。%这个方法可以被一个自定义的车道检测方法代替。detections = processFrame(monoSensorHelper，帧);%存储估计的车道边界和车辆检测。measures.LaneBoundaries{frameIndex}=[detections.leftegobundary]...detections.rightEgoBoundary]；Measures.VehicleDetections{frameIndex}=detections.vehicleBoxes；%为便于比较，请将地面真实车道点转换为%车辆坐标系。gtPointsThisFrame = gtdata.LaneBoundaries {frameIndex};车辆点数= cell(1, numel(gtpointthisframe));为ii=1:numel（gtPointsThisFrame）车辆点{ii}=imageToVehicle（单摄像机传感器，gtPointsThisFrame{ii}）；结束%存储以车辆坐标表示的地面真值点。gtdata.LanesInVehicleCoord{frameIndex}=车辆点；结束

%倒带视频到t = 0。fileReader。CurrentTime = 0;阅读视频的第一帧。帧= readFrame (fileReader);birdsEyeImage = transformImage (monoSensorHelper。BirdsEyeConfig,框架);%在鸟瞰图中提取第一帧右车道点。firstFrameVehiclePoints = gtdata.LanesInVehicleCoord {1};pointsInBEV = vehicleToImage (monoSensorHelper。BirdsEyeConfig, firstFrameVehiclePoints {2});%在框架上叠加点。birdsEyeImage=插入标记（birdsEyeImage，pointsInBEV，“X”，“大小”6);在鸟瞰视图中显示变换后的点。图imshow (birdsEyeImage)

阈值=0.25；%以米为单位[numMatches, numMisses, numFalsePositives, assignments] =...评估车道边界（测量值、车道基础、，...gtdata。LanesInVehicleCoord,...阈值）(['匹配数：'num2str (numMatches)]);disp (['未命中次数：'，num2str（nummiss）]；disp(['误报数：'，num2str（numFalsePositives）]；

averageDistance=helperComputeLaneStatistics（测量值。LaneBoundaries，...gtdata。LanesInVehicleCoord,...作业，平均分）；%绘制估计值与地面真实值之间的平均距离。图阻止(gtdata。时间,averageDistance) title(“估计值与地面真实值之间的平均距离”网格)在…上伊拉贝尔(“米距离”)传奇(的左边界，“右边界”）

%使用单相机计算估计的点位置。[estVehiclePoints, estImagePoints] = helpergetcordingpoints (monocamerassensor，...测量方法。LaneBoundaries，...gtdata。LanesInVehicleCoord,...任务）；%将估计车道添加到测量时间表中。测量。EstimatedLanes = estImagePoints;测量。LanesInVehicleCoord = estVehiclePoints;%创建一个新的时间表，包含可视化所需的所有变量。名称= {“LanePoints”；“DetectedLanePoints”};类型= labelType ({“行”；“行”}）;= table(名称，类型，“变化无常”, {“名字”，“类型”}）;(gtdata visualizeInFrame =时间表。时间,...gtdata.LaneBoundaries，...测量。估算平面，...“变化无常”、名称);%创建groundTruth对象。数据源=groundTruthDataSource（videoName）；dataToVisualize=groundTruth（数据源、labelDefs、VisualizationInframe）；%将上一节的所有结果保存在distanceData.mat中的%临时文件夹。dataToLoad=[tempdir“distanceData.mat”]；保存（数据加载），“单传感器辅助器”，“视频名称”，“测量”，“gtdata”，“averageDistance”）;

作用stat = helperComputeLaneStatistics(estModels, gtPoints, assignments, fcnHandle) numFrames = length(estModels);%默认情况下，进行左右估计NaN以表示缺少%的数据。stat=NaN*one（numFrames，2）；为frameInd=1:numFrames%默认情况下进行左估计和右估计。stat（frameInd，：）=NaN*one（2,1）；为idx = 1:长度(estModels {frameInd})%忽略假阳性分配。如果赋值{frameInd}（idx）==0持续；结束%estModelInFrame中的第k个边界与第k个匹配%通过gtPointsInFrame中的赋值索引的元素。thisModel=estModels{frameInd}（idx）；thisGT=gtPoints{frameInd}{assignments{frameInd}（idx）}；thisGTModel=driving.internal.piecewiseLinearBoundary（thisGT）；如果平均值（thisGTModel.Points（：，2））>0%左车道xPoints = thisGTModel.Points (: 1);yDist = 0(大小(xPoints));为索引=1:numel（xPoints）gtYPoints=thisGTModel.computeBoundaryModel（xPoints（index））；testYPoints=thisModel.computeBoundaryModel（xPoints（index））；yDist（index）=abs（testYPoints gtYPoints）；结束stat(frameInd, 1) = fcnHandle(yDist); / /删除帧其他的%右车道xPoints = thisGTModel.Points (: 1);yDist = 0(大小(xPoints));为索引=1:numel（xPoints）gtYPoints=thisGTModel.computeBoundaryModel（xPoints（index））；testYPoints=thisModel.computeBoundaryModel（xPoints（index））；yDist（index）=abs（testYPoints gtYPoints）；结束stat(frameInd, 2) = fcnHandle(yDist); / /删除帧结束结束结束结束

作用[vehiclePoints, imagePoints] = helpergetcordingpoints (monocamerassensor, estModels, gtPoints, assignments) numFrames = length(estModels);imagePoints = cell(numFrames, 1);车辆点数= cell(numFrames, 1);为frameInd=1:numFrames如果isempty（赋值{frameInd}）imagePointsInFrame=[]；vehiclePointsInFrame=[]；其他的estModelInFrame=estModels{frameInd}；gtPointsInFrame=gtPoints{frameInd}；imagePointsInFrame=单元格（长度（estModelInFrame），1）；vehiclePointsInFrame=单元格（长度（estModelInFrame），1）；为idx=1:长度（estModelInFrame）%忽略假阳性分配。如果赋值{frameInd}（idx）==0图像点帧{idx}=[NaN-NaN]；持续；结束%estModelInFrame中的第k个边界与第k个匹配%通过gtPointsInFrame中的赋值索引的元素。这种模式下= estModelInFrame (idx);thisGT = gtPointsInFrame{作业{frameInd} (idx)};xPoints = thisGT(:， 1); / /点击这里yPoints = thisModel.computeBoundaryModel (xPoints);vehiclePointsInFrame{idx} = [xPoints, yPoints];imagePointsInFrame{idx} = vehicleToImage(monocamerassensor， [xPoints yPoints]);结束结束vehiclePoints{frameInd}=vehiclePointsInFrame；imagePoints{frameInd}=imagePointsInFrame；%使imagePoints[]而不是{}符合groundTruth对象。如果isempty（imagePoints{frameInd}）imagePoints{frameInd}=[]；结束如果isempty（车辆点{frameInd}）车辆点{frameInd}=[]；结束结束结束