车道线检测算法

车道线检测有多种：传统的图像处理方法、深度分割的方法、预测车道线所在位置的方法

车道线检测工作的局限性

车道线检测工作的baseline并不明确，不同的方法都有各自的局限性，数据集的提供也不相同

车道线类型：mask掩码/点集/矢量线条
实例化：分割出的车道线分为不同的实例
分类：车道线是否分类
提前定义的参数：只能检测出固定数量的车道线

车道线类别和路面标示：
0 background
1 lane_solid_white
2 lane_broken_white
3 lane_double_white
4 lane_solid_yellow
5 lane_broken_yellow
6 lane_double_yellow
7 lane_broken_blue
8 lane_slow
9 stop_line
10 arrow_left
11 arrow_right
12 arrow_go_straight
13 arrow_u_turn
14 speed_bump
15 crossWalk
16 safety_zone
17 other_road_markings

性能指标

TuSimple和CULane均采用Precision、Recall、F1 score作为评价标准。当预测点与真实点之间的距离小于某一特定阈值时，判定识别正确。

车道检测的各种方法
多阶段方法，多阶段可以分为两个部分。二值语义分割产生掩码图和对掩码图进行线的拟合。其中，二值语义分割主要采用cnn 方法，并通过改进cnn来提高语义分割精度

单阶段方法，则是直接回归出线的参数，即在cnn上修改分支，使用特殊层将参数输出

基于视觉特征来做语义分割或者实例分割，例如LaneNet和SCNN

通过视觉特征来预测车道线所在位置的点，以此来解决no-visual-clue问题的模型，Ultra-Fast-Lane-Detection

方法

Towards End-to-End Lane Detection: an Instance Segmentation Approach

Ultra-Fast-Lane-Detection

Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection