简介
无人车感知中的一个子问题，即车辆在道路上行驶过程中需要正确识别到车道线，并沿着车道线方向行驶。通常会给出车辆在车道线中所处的偏移量以及车道线自身的曲率属性。
传统车道线检测（一）
传统的车道线识别大致的思路是在感兴趣区域中找到边缘像素然后用霍夫变换找到直线，直线可能有很多根因此用斜率过滤一些，之后将找到的直线分为左右两边的车道线，然后用多项式拟合直线的像素点。
传统车道线检测（二）
为了增加传统车道线识别的鲁棒性，进阶的做法是用单应变换将图像变换成鸟瞰图下的图像，利用统计直方图的方法找出车道线可能出现在图像中的坐标，随后用划窗的方法搜索出图像中车道线的像素（非背景），之后也是用多项式拟合车道线最后反向投影到原图上完成识别
基于深度学习的车道线检测（一）
最后会用embedding和binary结果进行一个聚类得到最后的结果
基于深度学习的车道线检测（二）
一个端到端的方法 主要是把后处理的车道线拟合也加入进网络训练的过程中
图像经过深度网络提取出车道线分布概率图 weight maps，属于车道线的位置其概率值较大，非车道线位置其概率值较小 x-map 和 y-map 分别表示图像中所有像素的 x 坐标和 y 坐标，归一化之后的
结合 weight maps 可以看做是 车道线的位置 x 坐标和 y 坐标，经过 least-squares layer 处理得到 车道线拟合参数
主要是需要衡量两根车道线之前的差距进而设计了几何上的一个loss函数, predict的和groundtruth的loss可以反向传播了
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
