VIP20

本课程属于：033-车道线检测 自动驾驶 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

车道线检测：工程开发实践

📚 共计 30 章节

课程导论与项目全景

什么是车道线检测？为什么重要？自动驾驶中的角色。课程项目全景预览（传统方法 vs 深度学习方法）。环境搭建（Python, OpenCV, PyTorch）。

图像处理基础（上）

图像在计算机中的表示（像素、通道、色彩空间）。OpenCV基础操作：读取、显示、保存图像。图像属性与ROI提取。

图像处理基础（下）

图像缩放、旋转、仿射变换。图像滤波与去噪（均值、高斯、中值）。边缘检测原理（Sobel, Canny）。

传统车道线检测（一）

颜色空间转换（RGB, HSV, HLS）。利用颜色阈值提取车道线（白色和黄色）。灰度图与二值化（Otsu算法）。

传统车道线检测（二）

Canny边缘检测实战。霍夫变换原理（直线检测）。使用霍夫变换检测车道线。

传统车道线检测（三）

ROI掩码提取。透视变换（鸟瞰图）原理与实现。车道线拟合（最小二乘法多项式拟合）。

传统车道线检测（四）

车道线跟踪与平滑（滑动窗口法）。曲率半径计算与车辆偏离中心距离计算。在原始图像上绘制车道线区域。

传统车道线检测实战项目

整合前几章内容，构建完整传统车道线检测Pipeline。处理视频流，实现实时检测。项目总结与性能瓶颈分析。

深度学习基础（一）

神经网络核心概念（神经元、激活函数、前向传播）。损失函数与梯度下降。反向传播算法（直观理解）。

神经网络梯度

深度学习基础（二）

PyTorch框架入门（张量、自动求导）。构建一个简单的全连接网络（用于分类任务）。模型训练、验证与测试流程。

PyTorch全连接

卷积神经网络（CNN）基础

卷积层、池化层、全连接层的作用。感受野与参数共享。经典CNN架构简介（LeNet, AlexNet, VGG）。

语义分割与实例分割入门

什么是语义分割？与目标检测的区别。上采样与转置卷积。FCN（全卷积网络）核心思想。

车道线检测经典模型（一）SCNN

SCNN（Spatial CNN）—— 空间信息传递。核心模块（Slice, Conv, Sum）。网络结构解析。

车道线检测经典模型（二）LaneNet

LaneNet —— 实例分割思路。双分支结构（语义分割 + 嵌入向量）。H-Net（透视变换网络）。

车道线检测经典模型（三）UFLD

UFLD（Ultra Fast Lane Detection）—— 基于行锚的检测。公式化方法（行分类）。优缺点分析。

数据集与数据标注

主流车道线数据集介绍（TuSimple, CULane, LLAMAS）。数据标注格式（JSON, 多边形）。数据增强技术（翻转、旋转、颜色抖动）。

数据集标注

模型训练实战（一）

搭建UFLD模型（PyTorch实现）。定义损失函数（分类损失 + 辅助损失）。配置训练超参数（学习率、Batch Size、优化器）。

模型训练实战（二）

编写训练循环（Trainer类）。使用TensorBoard可视化训练过程（Loss曲线、图像预测）。模型保存与断点续训。

TensorBoard保存

模型评估与指标

评估指标详解（准确率、IoU、F1-Score）。车道线检测专用指标（Accuracy, FP, FN）。在TuSimple/CULane数据集上评估模型。

模型优化与部署（一）

模型剪枝与量化（减少模型大小）。ONNX模型导出与推理。TensorRT加速（NVIDIA GPU优化）。

模型优化与部署（二）

在Jetson Nano/树莓派上部署。使用OpenCV DNN模块加载模型。边缘端实时推理的挑战与解决方案。

边缘部署DNN

多传感器融合（选修）

摄像头与毫米波雷达/激光雷达的融合。时间戳同步与空间对齐。融合策略（前融合 vs 后融合）。

复杂场景处理

夜间、雨天、隧道场景下的车道线检测。阴影与强光干扰的应对策略。车道线磨损与遮挡的处理方法。

鲁棒性恶劣

车道线检测与车辆控制

车道保持辅助系统（LKAS）原理。从检测结果到控制指令（PID控制器）。横向控制与纵向控制简介。

高级话题（一）Transformer

基于Transformer的车道线检测（LSTR, CurveFormer）。注意力机制在车道线检测中的应用。端到端车道线检测。

Transformer注意力

高级话题（二）3D车道线

3D车道线检测（从图像到3D空间）。BEV（Bird‘s Eye View）感知。在线地图构建与车道线关联。

实战项目（一）Web Demo

从零搭建一个车道线检测Web Demo（Flask/Streamlit）。上传图片/视频，后端调用模型推理，前端展示结果。

实战项目（二）ROS节点

构建一个车道线检测ROS节点。发布/订阅图像与检测结果。在仿真环境（CARLA/Gazebo）中测试。

课程总结与面试指南

车道线检测知识体系回顾。常见面试题解析（手撕代码、项目经验）。如何准备自动驾驶感知岗位面试。

未来展望与学习路径

车道线检测技术发展趋势。推荐论文与开源项目。如何持续学习与进阶（从车道线到通用感知）。