- 研究背景
自动驾驶，在上世纪后期的科幻片中，常常与人工智能一起出现。而如今，它已经不再是一个遥不可及的科幻概念。一些自动驾驶技术已经被投入使用，尽管还不能做到完全取代人类司机，但其表现出的能力已经不容小觑。
实现自动驾驶技术，对于社会发展是具有重大意义的。首先，完善的自动驾驶功能确保驾驶的安全性，减少交通事故的发生；再者，即便是辅助的自动驾驶功能，也能分担司机的工作，减少司机的压力；同时，自动驾驶也能提高行驶的效率，如果自动驾驶系统能够规划好路程、安排好时间，交通压力就可以得到缓解。可以预见的是，这将是汽车领域一个全新的发展机遇。
那么，一个真实的人类司机是如何驾驶着车辆，在道路上安全行驶的？而自动驾驶又能以何种方式，做到何种程度？自动驾驶，让机器或者说人工智能成为驾驶员，如果要让其代替人类司机，那么它必须展示出自己具有这样的能力。许多的研究者正在关注这个领域，而一些大型公司也意识到了其中庞大的商机。也因此，自动驾驶技术的发展极为迅速。
当今的生产级自动驾驶汽车中，主要的传感器包括了雷达、声呐、激光和摄像机。摄像机在这里充当了“眼”这个角色，而单纯的观察是没有意义的，对其进行的处理方式才是关键。计算机视觉技术需要接收到“你眼中的世界”，并对其进行及时的准确的分析。实际上，计算机视觉技术可以在中等距离的车道检测和冗余物体检测中起到重要作用。
而计算机视觉的任务中，车道线检测是一个重要的环节。想要设计出一个通用的图像检测工具是较为困难的，如果直接把行人车辆标识车道线等等的检测任务混在一起，试图一起解决，这无疑大大增加了难度。把多个任务拆分，而后汇总，这才是较为实用的手段。考虑到车道线的特殊性，其具有的特殊的形状和颜色，对其检测也需要具体的分析和处理。
- 研究现状
车道线检测作为道路检测中的一个重要环节，已经有许多研究者对其进行了探索和研究，并分享了其最新的研究成果。
实际上，车道线检测非常具有挑战性，因为车道线看起来很不相同，并且驾驶场景非常复杂。车道线的结构多样而复杂。通常情况下，车道线的曲线包含多种曲率半径。此外，车道线可以是虚线或实线，对于不连续的虚线，我们需要找到一种方法来从语义层面桥接所有断开的部分。此外，车道线合并/分离频繁发生，这也对准确的车道线检测造成很大困难。 除了车道线本身的外观外，还应综合考虑外部复杂环境，如天气状况（晴天/下雨/下雪），照明条件（白天/夜晚）和其他意外因素（阴影/遮挡）。
早期的车道线检测工作，大多使用了人工设计特征的方法，较为常见的是对图像进行边缘检测，再基于车道线的“线”的特征进行线检测。但这种方法面对较为复杂的道路情况就较为棘手，需要根据实际情况针对性地设计。具体的驾驶情况、复杂驾驶环境和不可预知的障碍，这些问题的存在，大大提高了人工设计特征的难度。考虑到传统方法的局限性，其难以在车道线检测工作上达到较好的效果。
随着神经网络的发展，其被应用到了计算机视觉技术中。最初，神经网络通常作为一个辅助手段，以提供车道线检测的性能。但随着神经网络技术的进步，尤其是卷积神经网络的发展，如标志性的AlexNet，VGGNet，ResNet等，神经网络在计算机视觉上的地位逐步提高。2015 年时，论文《An Empirical Evaluation of Deep Learning on HighwayDriving》将卷积神经网络作为主要手段运用到了车辆检测和车道线检测中，并取得了远超传统方法的效果。而后，车道线检测工作的关注重点就转移到了神经网络技术上。
- 车道线检测算法
- 基于区域的物体检测
区域检测器在近几年展现出了引人注目的发展。他们中的大部分的目标是生成区域候选，这些候选是候选对象的粗略边界框。例如，Faster R-CNN包含区域候选网络（RPN），用于高效准确的区域候选生成。通过添加实例掩码的分支，Mask R-CNN进一步提升了Faster R-CNN的整体性能。另一种基于区域的物体检测器是在没有区域候选的情况下设计的。OverFeat利用完全连接的层直接预测对象的坐标。最近，SSD和YOLO也通过端到端的本地化任务范式引发了该领域的研究兴趣。此外，RetinaNet首先通过类平衡焦点损失，在准确度上超越了基于区域候选的检测器。
