立基准。然而，由于缺乏公认的测试协议性能指标和数据集，现有的车道线检测文献并没有统的基准。数据集数据集图像数量少，且均为晴朗空旷场景中收集，不适用基于的车道线检测技术。数据集包含晴天和中等天气下的，幅图像，但是存在严重的类间数据不平衡问题。数据集包含，幅图像，包含了各种天气车道线重度遮挡车道线磨损等场景，但是其仅标注了自，基于视觉的车道线检测技术综述论文原稿，的持续时间检测方法的算力需求，现在都缺乏统的测试协议与性能指标。，在不同的硬件环境下进行了检测效率的评估，以车速为指标进行了评估。在具有挑戰性的场景中进行稳健识别的关键是个大型数据集。在大型数据集的基础上，统车道线检测技术的测试协议与性能指标，为不同的方法提供基准。总结车道线检测是完全自动驾驶需要走出的第步，其算法必须在各种环境中保持精确并且具有快速的计算时间，对算法的鲁棒性提出了极高的要求。对基于视觉的车道线检测技术的发展产生了深远的影响，尤其体现在大型数据集方面，并对测试协议与性能指标提出了更高的要求。将和引入特征检测模块，促进了车道线检测技术在各种天气各种光照各种遮挡阴影等恶劣场景中性能的提升。将引入图像预处理模块，消除了车道线检测技术在车道属性上使用的许多假设，增加了其在各种道路环境中的鲁棒性。但是的不可解释性，为车道线检测技术带入了不确定性。现有的车道线检测技术在稳定性上仍然车道模型拟合的般实施方式为点抽样候选点群处理和路径回归。首先，从车道线段出现概率较高的区域进行采样。然后，使用聚类等方法对候选点群进行处理。因为在大多数情况下，由于图像处理过程中存在噪声，候选点群包含大量野点。最后，使用多项式拟合，样条插值，卡尔曼或粒子滤波器，等方法进行路径拟合。车道模型拟合技术已经趋于成熟，不再是限制车道线检测技术的瓶颈。随着在车道线检测技术中的发展，将应用到车道模型拟合模块，建立了端到端的车道线检测模型。上述传统模型拟合算法有数学理论支撑，而深度卷积神经网络具有不可解释性。因此，在该模块中的应用不是研究的焦点。使用进行特征检测，之后使用传统算法进行车道模型拟合，在目前的车道线检测技术中更加合理。验证评估为了比较不同方法的性能，需要建立基准。然而，由于缺乏公认的测试协议性能指标和数据集，现有的车道线检测文献并没有统的基准。数据集，。摘要车道线检测是完全无人驾驶的关键推动因素。本文综述了近年来基于视觉的车道线检测技术的研究进展。车道线检测通常采用个步骤进行处理，首先图像预处理得到感兴趣区域，然后预测车道线标记高频出现的区域，最后在该区域进行车道模型拟合。在这项工作中，我们对每个步骤的实现方法进行了详细分析，并展望了车道线检测技术的发展。得益于深度学习技术的进步，车道线检测技术取得了长足的发展，但同时带来了大规模数据集的需求和网络模型的不可解释性，未来的车道线检测技术挑战与机遇并存。关键词车道线检测计算机视觉深度学习目标检测分割前言完全自动驾驶是计算机视觉和机器人学研究的主要焦点，其第个关键步骤是通过各种传感器全面识别和理解车辆周围的环境。车道线检测能够使车辆正确地定位在车道内，遵守车道规定的交通规则，并辅助随后的车道偏离或轨迹规划决策。因此，实时执行精确车道线检测是实现完全自动驾驶的，基于视觉的车道线检测技术综述论文原稿关键推动因素。基于视觉的成像在车道线检测任务中起主导作用，其原因有首先，车道线的设计使人类驾驶员能够在所有驾驶条件下观察到它们，使用视觉作为计算等效系统获得相同的视觉提示非常有意义其次，视觉是目前自动驾驶中价格最低鲁棒性较好的模态，视觉模态可以用于环境理解的所有相关阶段。因此，我们将主要讨论基于视觉的车道线检测技术。路面与图像之间的映射该映射贯穿于车道线检测任务的所有阶段，可以通过不同的方法计算。假设相机与车辆的连接在行驶过程中保持不变，计算了出了固定的映射矩阵。但是这假设在路面坡度突然变化车辆变道和并线的情况下存在失效问题。，估计了相机相对于地平面的间距。通过检测道路的消失点对应的图像灭点的高度计算相机的俯仰角。建立相机维模型参数矢量，通过计算该矢量与车道线边界的位置和方向估计俯仰角与其余模型参数。是完全自动驾驶需要走出的第步，其算法必须在各种环境中保持精确并且具有快速的计算时间，对算法的鲁棒性提出了极高的要求。对基于视觉的车道线检测技术的发展产生了深远的影响，尤其体现在大型数据集方面，并对测试协议与性能指标提出了更高的要求。将和引入特征检测模块，促进了车道线检测技术在各种天气各种光照各种遮挡阴影等恶劣场景中性能的提升。将引入图像预处理模块，消除了车道线检测技术在车道属性上使用的许多假设，增加了其在各种道路环境中的鲁棒性。但是的不可解释性，为车道线检测技术带入了不确定性。现有的车道线检测技术在稳定性上仍然远远不能令人满意，开发出鲁棒高效的车道线检测方法仍然任重而道远。，基于视觉的车道线检测技术综述论文原稿车车道和相邻车道。数据集包含，幅图像，不仅包含了恶劣天气情况，而且为车道线增加了连续性和方向两个标注属性。数据集中的子集包含超过，幅立体图像，这些图像来自不同城市的街道场景并且具有像素级标注。上述数据集中的图像数量图像采集条件图像采集地点各不相同，图像中包含的车道线的种类以及对应的数量也多种多样，数据集数据集和更新后的数据集已经取得了规模上的突破，但是他们对车道线属性的标注仍然存在不致，难以形成统标准的公共数据集。除此之外，检测成功的持续时间检测方法的算力需求，现在都缺乏统的测试协议与性能指标。，在不同的硬件环境下进行了检测效率的评估，以车速为指标进行了评估。在具有挑戰性的场景中进行稳健识别的关键是个大型数据集。在大型数据集的基础上，统车道线检测技术的测试协议与性能指标，为不同的方法提供基准。总结车道线检测。在后续的第章节分别介绍了上述个模块的研究现状，并在第章节进行了验证评估，第章节对本文进行了总结。图像预处理这个模块的目标是消除杂乱误导性的伪成像和不相关的图像部分。基于视觉的车道线检测技术综述论文原稿。车道模型拟合的般实施方式为点抽样候选点群处理和路径回归。首先，从车道线段出现概率较高的区域进行采样。然后，使用聚类等方法对候选点群进行处理。因为在大多数情况下，由于图像处理过程中存在噪声，候选点群包含大量野点。最后，使用多项式拟合，样条插值，卡尔曼或粒子滤波器，等方远远不能令人满意，开发出鲁棒高效的车道线检测方法仍然任重而道远。，数据集图像数量少，且均为晴朗空旷场景中收集，不适用基于的车道线检测技术。数据集包含晴天和中等天气下的，幅图像，但是存在严重的类间数据不平衡问题。数据集包含，幅图像，包含了各种天气车道线重