01
课程导学与项目全景
车道线检测在自动驾驶中的角色、课程目标、项目整体架构、技术栈概览（OpenCV、深度学习、模型部署）
导学全景
02
计算机视觉基础回顾
图像表示（RGB、灰度）、图像滤波（高斯、中值）、边缘检测（Canny）、霍夫变换原理
基础滤波
03
OpenCV入门实战
OpenCV安装与配置、图像读写、视频流处理、鼠标回调与ROI选择
OpenCV实战
04
传统车道线检测（一）
颜色空间转换（HSV、LAB）、颜色阈值分割、梯度阈值（Sobel）与方向滤波
颜色梯度
05
传统车道线检测（二）
透视变换（鸟瞰图）、滑动窗口搜索、二次曲线拟合、车道线绘制与可视化
透视拟合
06
传统车道线检测（三）
车道偏离预警系统实现、曲率半径计算、车辆偏离方向判断
预警曲率
07
深度学习基础（一）
神经网络核心概念（神经元、激活函数、损失函数）、前向传播与反向传播
神经网络基础
08
深度学习基础（二）
卷积神经网络（CNN）详解（卷积层、池化层、全连接层）、经典网络结构（VGG、ResNet）
CNNVGGResNet
09
语义分割入门
语义分割任务定义、FCN（全卷积网络）、U-Net架构详解、分割损失函数（Dice Loss、Cross Entropy）
分割U-Net
10
车道线分割数据集
Tusimple数据集介绍、CULane数据集介绍、数据标注格式解析、数据增强策略（翻转、裁剪、色彩抖动）
数据集增强
11
数据加载与预处理
PyTorch Dataset与DataLoader实现、自定义车道线数据集类、数据增强流水线搭建
PyTorch流水线
12
基于分割的车道线检测（一）
搭建U-Net模型（PyTorch实现）、编码器-解码器结构详解、跳跃连接的作用
U-Net跳跃连接
13
基于分割的车道线检测（二）
模型训练脚本编写、超参数调优（学习率、Batch Size）、训练可视化（TensorBoard）
训练调优
14
基于分割的车道线检测（三）
模型评估指标（IoU、Accuracy、FP/FN）、后处理（二值化、连通域分析、车道线拟合）
评估后处理
15
基于分割的车道线检测（四）
模型推理优化（ONNX导出）、TensorRT加速、推理速度与精度平衡
ONNXTensorRT
16
基于行分类的车道线检测（一）
SCNN（Spatial CNN）原理、行分类思想、全局上下文信息提取
SCNN行分类
17
基于行分类的车道线检测（二）
SCNN模型实现（PyTorch）、消息传递机制、代码实战
实现消息传递
18
基于行分类的车道线检测（三）
SCNN训练技巧、多尺度特征融合、与分割方法的对比分析
训练多尺度
19
基于Anchor的车道线检测（一）
LaneNet架构详解、实例分割分支、嵌入向量学习
LaneNet嵌入
20
基于Anchor的车道线检测（二）
LaneNet损失函数设计（聚类损失、分割损失）、聚类后处理（DBSCAN）
损失DBSCAN
21
基于Anchor的车道线检测（三）
LaneNet训练与评估、与SCNN的对比、实际部署中的挑战
对比部署
22
轻量化模型设计
MobileNet、ShuffleNet原理、深度可分离卷积、模型剪枝与量化
轻量化剪枝
23
模型部署（一）
ONNX格式详解、PyTorch模型转ONNX、ONNX Runtime推理
ONNXRuntime
24
模型部署（二）
TensorRT加速原理、FP16/INT8量化、TensorRT C++ API部署
TensorRT量化
25
模型部署（三）
NVIDIA Jetson平台部署（TX2/Xavier/Nano）、边缘端性能优化
Jetson边缘
26
多传感器融合
相机与IMU融合、相机与激光雷达融合、车道线检测与毫米波雷达目标关联
融合雷达
27
车道线检测进阶
曲线车道线检测（三次样条、贝塞尔曲线）、复杂场景（夜间、雨天、遮挡）处理策略
曲线复杂场景
28
车道线检测与规划控制
车道保持辅助系统（LKAS）设计、横向控制（PID、MPC）、纵向控制
控制LKAS
29
项目实战：完整系统搭建
完整车道线检测系统搭建（从数据到部署）、代码架构设计、模块化开发
实战架构
30
课程总结与未来展望
当前技术瓶颈、端到端自动驾驶趋势、V2X与高精地图融合、学习路径建议
总结展望