01
课程导论
高精地图与车道线检测的关系 · 课程目标与学习路径 · 所需工具与数据集介绍
入门概览
02
高精地图基础
高精地图的定义 · 与传统导航地图的区别 · 层级结构（道路级、车道级、定位级）
核心概念
03
车道线检测概述
挑战（光照、遮挡、磨损） · 传统方法与深度学习方法对比 · 评价指标 (IoU, F1-Score)
基础指标
04
OpenDrive标准
OpenDrive格式介绍 · 道路与车道元素定义 · 使用Python解析OpenDrive文件
标准解析
05
Apollo OpenDrive实践
百度Apollo高精地图格式 · 车道线属性提取 · 地图数据可视化
Apollo实战
06
坐标系与坐标转换
世界坐标系 · 车辆坐标系 · 图像坐标系 · 相机内参与外参 · 坐标投影与反投影
几何投影
07
相机标定
张正友标定法原理 · 使用OpenCV进行相机标定 · 畸变校正实战
标定OpenCV
08
图像预处理
直方图均衡化 · 高斯滤波 · Canny边缘检测 · 感兴趣区域(ROI)提取
预处理边缘
09
透视变换
逆透视映射(IPM)原理 · 鸟瞰图生成 · IPM在车道线检测中的作用
IPM鸟瞰
10
传统车道线检测方法
Hough变换检测直线 · 滑动窗口法 · 曲线拟合（多项式拟合）
传统Hough
11
基于颜色空间的车道线分割
RGB、HSV、HLS颜色空间对比 · 颜色阈值分割实战
颜色阈值
12
基于梯度特征的车道线分割
Sobel算子 · Scharr算子 · 梯度方向与幅值融合
梯度Sobel
13
深度学习基础回顾
卷积神经网络(CNN)核心概念 · 感受野 · 池化层作用
CNN基础
14
语义分割网络
FCN、U-Net、SegNet结构对比 · 车道线分割任务适配
分割U-Net
15
LaneNet模型详解
实例分割与语义分割双分支 · H-Net透视变换头 · 损失函数设计
LaneNet实例分割
16
SCNN模型详解
空间卷积模块 · 消息传递机制 · 在TuSimple数据集上的表现
SCNN空间卷积
17
Ultra-Fast-Lane-Detection
基于行锚点的分类方法 · 结构感知损失 · 实时性优化
快速锚点
18
高精地图先验融合
地图匹配（ICP、NDT） · 车道线拓扑约束 · 地图投影到图像
先验匹配
19
时序信息融合
卡尔曼滤波跟踪车道线 · 匈牙利匹配算法 · LSTM时序模型
时序卡尔曼
20
多传感器融合
相机与激光雷达融合 · 相机与毫米波雷达融合 · 时间戳同步
融合雷达
21
数据集与标注
TuSimple、CULane、BDD100K数据集介绍 · 车道线标注格式（json, txt）
数据集标注
22
数据增强
随机仿射变换 · 颜色抖动 · CutOut · MixUp · 针对车道线的空间增强
增强仿射
23
模型训练与调优
学习率策略（Cosine Annealing） · 权重初始化 · 正则化技巧
训练调优
24
模型部署与优化
TensorRT加速 · ONNX导出 · 量化感知训练 · 嵌入式平台适配
部署TensorRT
25
车道线后处理
非极大值抑制(NMS) · 车道线聚类 · 平滑滤波（Savitzky-Golay）
后处理NMS
26
车道线拓扑推理
车道线类型分类（实线、虚线、双黄线） · 车道线连接关系推理
拓扑分类
27
高精地图更新
众包更新策略 · 变化检测 · 增量式地图更新
更新众包
28
仿真与测试
CARLA仿真器配置 · 高精地图导入 · 闭环测试框架
仿真CARLA
29
项目实战
基于高精地图的车道线检测系统搭建 · 端到端流程整合
实战系统
30
前沿与展望
BEV感知 · 端到端自动驾驶 · 在线高精地图构建 · 未来趋势
前沿BEV