车道线检测功能综述【深度学习方法】

深度学习方法

车道线检测常用数据集见 FunnyWii's Zone 车道线检测功能综述【传统方法】

基于分割的方法

基于分割的方法利用语义分割或实例分割来区分图像中的车道线、其他物体和背景。这类方法将车道线检测问题转化为像素级分类问题，会对场景图片中的像素进行分类，判断该像素是否属于车道线。

由于这种方法逐像素进行分类，所以计算量通常较大，但在复杂弯道、遮挡、破损车道线等场景中，分割结果可以更细致。

语义分割方法

语义分割会将图像中的每一个像素分配给特定类别。对于车道线检测来说，像素可以被分为车道线或非车道线。

UNet

实例分割方法

LaneNet + H-Net

开源代码：MaybeShewill-CV/lanenet-lane-detection

LaneNet 是一种多任务模型，它将实例分割任务拆解成语义分割和像素嵌入向量表示两个分支，然后将两个分支的结果进行聚类，得到不同车道线实例。

H-Net 是一个小网络，负责预测变换矩阵 H。H 可以理解为图像到车道线拟合空间的透视变换参数，用于帮助在坡度道路或透视变化下对车道线进行拟合。

基于检测的方法

基于检测的方法不会直接对每个像素做分割，而是把车道线表示成候选点、行锚、网格分类结果、anchor 或曲线参数，再通过后处理拟合为完整车道线。这类方法通常速度较快，更适合部署在边缘计算设备上。

复杂弯道场景中，分割方法可能更细致，但通常计算更重、速度较慢；检测类或 row anchor 类方法速度更快，但对曲线复杂度、遮挡和长尾场景的建模能力依赖具体设计。

Ultra Fast Structure-aware Deep Lane Detection

Ultra Fast Structure-aware Deep Lane Detection 的 inference 非常快，因此部署到边缘计算设备上更加可行。它区别于逐像素分割方法，不是判断每个 pixel 是否为车道线，而是采用 row anchor / grid classification 思路，将图像按行和网格组织，再预测车道线在各行上的位置，因此运算量会大幅降低。