2.6 道路与车道线检测

2.6 道路与车道线检测

本节摘要：车道线是车辆行驶的参考线。本节讲车道线检测——自动驾驶保持车道、变道、避偏的关键技术。

本节导航

阅读完本节，你应当能够：

1. 理解车道线检测的作用
2. 知道传统和深度学习方法
3. 了解车道线的挑战

概念脉络

车道线检测的作用

车道线告诉车"在哪条车道、车道边界在哪"，用于：

• 车道保持（LKA）：居中行驶
• 车道偏离预警（LDW）：压线提醒
• 变道决策：变道前看相邻车道
• 路径规划：车道作为行驶参考

车道线的特点

车道线特殊：

• 细长：不是框，是曲线
• 类型多：实线、虚线、双线、黄/白
• 磨损：老旧道路不清晰
• 弯道：曲线非直线

传统方法

图 2-6 车道线检测方法

传统车道线检测：

1. 边缘检测：Canny 找边缘
2. 霍夫变换：找直线
3. 透视变换：转到俯视图（IPM）拟合
4. 曲线拟合：二次/三次曲线

传统方法快，但磨损、弯道、遮挡时差。

深度学习方法

现代用 CNN 端到端：

• LaneNet：分割 + 嵌入聚类
• SCNN：逐行消息传递，处理细长车道
• PINet：关键点预测
• CLRNet：交叉层级，参数化车道

深度学习鲁棒，能处理磨损、弯道、遮挡。

车道线输出

车道线检测输出：

• 参数化曲线：(x = ay^2 + by + c) 等
• 点序列：车道线上的点
• 类型：实线/虚线/双线
• 颜色：黄/白
• 车道 ID：左/右/相邻

挑战

车道线与可行驶区域

车道线检测和语义分割（可行驶区域）互补：

• 车道线：精确车道边界
• 可行驶区域：整体可开区域

两者结合给规划完整道路信息。

高精地图车道

高等级自动驾驶用高精地图预存车道线，视觉检测做实时校准（定位+车道线匹配），比纯视觉鲁棒。

⚠️ 车道线缺失：无车道线道路（如乡村、施工），纯视觉检测失效。需结合可行驶区域分割或高精地图。

💡 关键直觉：车道线检测用于车道保持/偏离预警/变道。传统（边缘+霍夫+透视）快但复杂场景差，深度学习（LaneNet/CLRNet）鲁棒是主流。输出曲线+类型+颜色。挑战磨损/光照/弯道/遮挡。可结合可行驶区域和高精地图。

一节小结

• 作用：车道保持、偏离预警、变道、路径规划。
• 特点：细长曲线、类型多（实/虚/双/黄白）、磨损、弯道。
• 传统：边缘+霍夫+透视变换+拟合，快但复杂场景差。
• 深度学习：LaneNet/SCNN/PINet/CLRNet，端到端鲁棒。
• 输出：参数化曲线/点序列+类型+颜色+车道 ID。
• 挑战：磨损缺失、光照、弯道、遮挡、类型区分。
• 结合：车道线+可行驶区域+高精地图互补。

下一节讲交通标志识别。

车道线的三种表示

车道线检测的输出表示直接影响后续消费方式。常见有三种：参数化表示（用二次或三次多项式拟合每条车道线，即 x = a·y² + b·y + c），优点是平滑、占用内存小，规划模块直接拿来算横向偏移；关键点表示（预测车道线上固定网格的关键点），优点是能表达任意形状，包括分岔、环岛；掩码分割表示（像素级分类），信息最全但后续要再做拟合才能变成几何参数。量产方案常组合使用：分割模型出粗略掩码，再在掩码上做聚类或拟合得到参数化车道线。

原图 -> 下采样 -> 网络 -> 车道线概率图
                          -> 按行取 argmax -> 关键点
                          -> 聚类分条     -> 多项式拟合 -> 车道线参数
​

逐行扫描与细长结构

车道线是典型的细长结构——在图像上可能长达数百像素而宽度只有几个像素，普通分割容易把线断开。SCNN 的核心思想就是在行的方向上做消息传递：把特征图按行切分，每一行的特征沿着行方向逐步传播，让模型能"顺着线"看完整条车道。另一个实用技巧是行锚（row anchor）：把车道线预测定义为"在每行上，车道线的横向位置"，大幅压缩解空间，也让输出天然适合拟合。后处理阶段，弯曲较大的车道要用分段拟合或样条，单条三次多项式拟合急弯会失真。