01
课程导论与项目全景
车道线检测在自动驾驶中的核心地位、课程目标、系统整体架构概览、开发环境与工具链介绍（Python、OpenCV、PyTorch）。
导论全景
02
图像基础与预处理（上）
图像在计算机中的表示（RGB、灰度）、图像读取与显示、颜色空间转换（BGR2GRAY、BGR2HSV）、图像缩放与裁剪。
颜色空间缩放
03
图像基础与预处理（下）
图像滤波（高斯滤波、中值滤波）、边缘检测原理（Sobel、Canny）、形态学操作（膨胀、腐蚀、开闭运算）。
滤波边缘
04
经典车道线检测算法（Hough变换）
霍夫变换原理（直线检测）、标准霍夫变换与概率霍夫变换、ROI（感兴趣区域）提取、车道线拟合与绘制。
HoughROI
05
经典车道线检测算法（滑动窗口）
基于直方图的车道线定位、滑动窗口搜索算法、车道线曲线拟合（多项式拟合）、车道线置信度评估。
滑动窗口拟合
06
透视变换与逆透视变换
相机成像模型、透视变换原理、鸟瞰图（BEV）生成、逆透视变换（IPM）在车道线检测中的应用。
IPMBEV
07
深度学习基础回顾（上）
神经网络基础、卷积神经网络（CNN）核心概念（卷积、池化、全连接）、激活函数（ReLU、Sigmoid）、损失函数与优化器。
CNN激活函数
08
深度学习基础回顾（下）
PyTorch框架入门（张量、自动求导）、构建简单的CNN模型、模型训练与评估流程、GPU加速与数据并行。
PyTorchGPU
09
语义分割与车道线检测
语义分割任务定义、U-Net网络架构详解、FCN（全卷积网络）原理、分割网络在车道线检测中的优势。
分割U-Net
10
经典分割模型实战（U-Net）
U-Net的PyTorch实现、编码器-解码器结构、跳跃连接的作用、训练U-Net进行车道线分割。
U-Net跳跃连接
11
经典分割模型实战（DeepLabv3+）
空洞卷积（Atrous Convolution）、空间金字塔池化（ASPP）、DeepLabv3+网络结构解析、模型训练与调优。
DeepLabASPP
12
轻量化模型与实时检测
MobileNet、ShuffleNet等轻量化骨干网络、模型剪枝与量化、TensorRT加速推理、在嵌入式设备（如Jetson）上的部署。
轻量化TensorRT
13
车道线检测数据集详解
TuSimple数据集介绍与解析、CULane数据集介绍与解析、数据标注格式（JSON、Lane）、数据增强策略（翻转、旋转、颜色抖动）。
TuSimpleCULane
14
数据加载与预处理Pipeline
PyTorch Dataset与DataLoader自定义、图像与标签的同步变换、数据增强库（Albumentations）的使用、数据可视化与检查。
PipelineAlbumentations
15
模型训练与调优策略
学习率调度策略（Cosine Annealing、StepLR）、损失函数选择（CrossEntropy、Dice Loss、Focal Loss）、优化器选择（Adam、SGD）、过拟合与欠拟合处理。
调优损失函数
16
模型评估与指标
交并比（IoU）计算、准确率、召回率、F1-score、车道线检测的特定指标（准确度、假阳性率）、可视化评估结果。
IoU评估
17
后处理与车道线拟合
从分割图提取车道线点、基于RANSAC的鲁棒拟合、车道线聚类与排序、车道线平滑与跟踪。
RANSAC拟合
18
车道线跟踪与稳定性
卡尔曼滤波原理、基于卡尔曼滤波的车道线跟踪、匈牙利算法与数据关联、处理车道线遮挡与消失。
卡尔曼跟踪
19
多车道线检测与拓扑
检测多条车道线（左、右、相邻车道）、车道线拓扑关系建立、车道变更检测、车道线类型分类（实线、虚线、双黄线）。
多车道拓扑
20
端到端车道线检测方法
LaneNet架构详解、H-Net（透视变换网络）原理、端到端训练的优势与挑战、对比传统方法与深度学习方法。
LaneNet端到端
21
基于Transformer的车道线检测
Transformer基础回顾（自注意力、多头注意力）、DETR-like架构在车道线检测中的应用、Laneformer等最新方法简介。
Transformer注意力
22
模型部署与ONNX导出
模型转换为ONNX格式、ONNX Runtime推理、TensorRT部署流程、模型量化（FP16、INT8）实战。
ONNX量化
23
C++部署与工程化
LibTorch（PyTorch C++ API）使用、OpenCV C++集成、C++推理Pipeline搭建、性能优化与内存管理。
C++LibTorch
24
系统集成与ROS
ROS（机器人操作系统）基础、发布与订阅车道线检测结果、可视化工具（Rviz）、多传感器融合（相机+LiDAR）简介。
ROSRviz
25
实战项目一：高速公路车道线检测系统
需求分析、系统设计、模型选择与训练、系统集成与测试、性能评估与优化。
高速公路实战
26
实战项目二：城市道路车道线检测系统
城市道路场景特点（弯道、遮挡、光照变化）、多模型融合策略、鲁棒性提升技巧、实车测试经验分享。
城市道路多模型
27
实战项目三：夜间与恶劣天气车道线检测
低光照增强算法、去雾算法、多模态融合（红外相机）、数据增强与域适应。
夜间恶劣天气
28
模型压缩与边缘部署
模型蒸馏原理、知识蒸馏在车道线检测中的应用、TensorFlow Lite部署、OpenVINO部署。
蒸馏边缘部署
29
前沿趋势与未来展望
基于BEV（鸟瞰图）的车道线检测、端到端自动驾驶中的车道线感知、大模型与车道线检测、在线学习与自适应系统。
BEV前沿
30
课程总结与进阶路线
课程核心知识点回顾、常见面试题解析、推荐论文与开源项目、个人成长路径与职业规划建议。
总结进阶