孫鵬飛　宋聚寶　張婷　周玉祥

摘 要：車道線檢測(cè)是完全無(wú)人駕駛的關(guān)鍵推動(dòng)因素。本文綜述了近年來(lái)基于視覺(jué)的車道線檢測(cè)技術(shù)的研究進(jìn)展。車道線檢測(cè)通常采用三個(gè)步驟進(jìn)行處理，首先圖像預(yù)處理得到感興趣區(qū)域，然后預(yù)測(cè)車道線標(biāo)記高頻出現(xiàn)的區(qū)域，最后在該區(qū)域進(jìn)行車道模型擬合。在這項(xiàng)工作中，我們對(duì)每個(gè)步驟的實(shí)現(xiàn)方法進(jìn)行了詳細(xì)分析，并展望了車道線檢測(cè)技術(shù)的發(fā)展。得益于深度學(xué)習(xí)技術(shù)的進(jìn)步，車道線檢測(cè)技術(shù)取得了長(zhǎng)足的發(fā)展，但同時(shí)帶來(lái)了大規(guī)模數(shù)據(jù)集的需求和網(wǎng)絡(luò)模型的不可解釋性，未來(lái)的車道線檢測(cè)技術(shù)挑戰(zhàn)與機(jī)遇并存。

關(guān)鍵詞：車道線檢測(cè);計(jì)算機(jī)視覺(jué);深度學(xué)習(xí);目標(biāo)檢測(cè)分割

1 前言

完全自動(dòng)駕駛是計(jì)算機(jī)視覺(jué)和機(jī)器人學(xué)研究的主要焦點(diǎn)，其第一個(gè)關(guān)鍵步驟是通過(guò)各種傳感器全面識(shí)別和理解車輛周圍的環(huán)境。車道線檢測(cè)能夠使車輛正確地定位在車道內(nèi)，遵守車道規(guī)定的交通規(guī)則，并輔助隨后的車道偏離或軌跡規(guī)劃決策[1]。因此，實(shí)時(shí)執(zhí)行精確車道線檢測(cè)是實(shí)現(xiàn)完全自動(dòng)駕駛的關(guān)鍵推動(dòng)因素?；谝曈X(jué)的成像在車道線檢測(cè)任務(wù)中起主導(dǎo)作用，其原因有二：首先，車道線的設(shè)計(jì)使人類駕駛員能夠在所有駕駛條件下觀察到它們，使用視覺(jué)作為計(jì)算等效系統(tǒng)獲得相同的視覺(jué)提示非常有意義[2];其次，視覺(jué)是目前自動(dòng)駕駛中價(jià)格最低、魯棒性較好的模態(tài)，視覺(jué)模態(tài)可以用于環(huán)境理解的所有相關(guān)階段[3]。因此，我們將主要討論基于視覺(jué)的車道線檢測(cè)技術(shù)。

基于視覺(jué)的車道線檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用在輔助駕駛系統(tǒng)，通過(guò)提前預(yù)警的方式提醒人類駕駛員即將到來(lái)的危險(xiǎn)[4]。但是其在車道屬性上使用許多假設(shè)，例如路面平坦、天氣晴朗、能見(jiàn)度變化平穩(wěn)等[5]。由于上述假設(shè)，現(xiàn)有的車道線檢測(cè)技術(shù)的魯棒性低，容易受到以下影響：車道線的復(fù)雜性、受污損程度以及磨損程度;道路上來(lái)往車輛對(duì)于車道線的遮擋程度;沿途建筑物、樹(shù)木、高架橋、過(guò)街天橋等道路陰影的影響;夜晚光照的變化;車輛光照條件的突然變化等[2，6]。迄今為止，車道線檢測(cè)技術(shù)在上述環(huán)境中準(zhǔn)確率和召回率會(huì)嚴(yán)重下降，與普通人類駕駛員相比缺乏自適應(yīng)能力。

本文將車道線檢測(cè)技術(shù)分解為圖像預(yù)處理、特征檢測(cè)、車道模型擬合等三個(gè)模塊，并列舉建議實(shí)施每個(gè)模塊的可能方法。功能模塊分解如圖1所示。

在后續(xù)的第1、2、3章節(jié)分別介紹了上述三個(gè)模塊的研究現(xiàn)狀，并在第4章節(jié)進(jìn)行了驗(yàn)證評(píng)估，第5章節(jié)對(duì)本文進(jìn)行了總結(jié)。

2 圖像預(yù)處理

這個(gè)模塊的目標(biāo)是消除雜亂、誤導(dǎo)性的偽成像和不相關(guān)的圖像部分。圖像預(yù)處理方法可以歸納為三類：光照效果處理、感興趣區(qū)域（Region Of Interest，ROI）檢測(cè)以及路面與圖像之間的映射。

2.1 光照效果處理

光照自適應(yīng)性和鏡頭光暈是影響車道線檢測(cè)的關(guān)鍵要素。魯棒的車道線檢測(cè)系統(tǒng)可以應(yīng)對(duì)不同的光照條件并排除鏡頭光暈的影響。[7，8]使用了多曝光增強(qiáng)動(dòng)態(tài)范圍技術(shù)改善光照適應(yīng)性，[9，10]使用顏色空間轉(zhuǎn)換和邊緣濾除獲得光照魯棒圖像。[7]在不同的相機(jī)曝光設(shè)置下多次捕捉目標(biāo)場(chǎng)景，然后將得到的一組圖像組合創(chuàng)建高動(dòng)態(tài)范圍圖像。[8]提出在多曝光圖像生成過(guò)程中涉及的相機(jī)靈敏度、曝光時(shí)間以及圖像噪聲、運(yùn)動(dòng)模糊等問(wèn)題。[9]使用HSL、LAB等顏色空間轉(zhuǎn)換，通過(guò)組合不同的顏色通道減少投射陰影效果。[10]首先使用兩個(gè)不同的顏色空間減少干擾，然后將方向梯度用于檢測(cè)車道線邊緣，從而檢測(cè)不同復(fù)雜度下的車道線。

2.2 感興趣區(qū)域檢測(cè)

通過(guò)ROI檢測(cè)可以刪除與車道線檢測(cè)任務(wù)不相關(guān)或誤導(dǎo)性信息。[11]直接將圖像的下半部分作為ROI。[12-14]使用不同的逆透視技術(shù)估算路面和圖像之間的映射，并將此映射作為ROI定義規(guī)則。[12，13]根據(jù)計(jì)算的深度對(duì)圖像進(jìn)行截?cái)?，自適應(yīng)地確定了ROI的上邊界。[14]在將計(jì)算出的地平線用于ROI檢測(cè)。

2.3 路面與圖像之間的映射

該映射貫穿于車道線檢測(cè)任務(wù)的所有階段，可以通過(guò)不同的方法計(jì)算。[14]假設(shè)相機(jī)與車輛的連接在行駛過(guò)程中保持不變，計(jì)算了出了固定的映射矩陣。但是這一假設(shè)在路面坡度突然變化、車輛變道和并線的情況下存在失效問(wèn)題。[15，16]估計(jì)了相機(jī)相對(duì)于地平面的間距。[15]通過(guò)檢測(cè)道路的消失點(diǎn)對(duì)應(yīng)的圖像滅點(diǎn)的高度計(jì)算相機(jī)的俯仰角。[16]建立相機(jī)三維模型參數(shù)矢量，通過(guò)計(jì)算該矢量與車道線邊界的位置和方向估計(jì)俯仰角與其余模型參數(shù)。

3 特征檢測(cè)

本章節(jié)主要包括圖像ROI的特征檢測(cè)以及上述映射在特征檢測(cè)中的應(yīng)用。車道邊界通常由不同類型的車道線組成，[17，18]詳細(xì)闡述了車道線的外觀變化。除了外觀形狀顏色多樣之外，車道線在圖像中占比低，形狀窄長(zhǎng)，這些特點(diǎn)均增加了特征檢測(cè)的難度。同時(shí)，需要考慮圖像預(yù)處理模塊不能濾除的車輛靠近產(chǎn)生的嚴(yán)重遮擋和附近樹(shù)木和建筑物的陰影產(chǎn)生的誤導(dǎo)性邊緣和紋理。上述條件的合理覆蓋對(duì)特征檢測(cè)模塊的魯棒性提出了較高的要求。

3.1 傳統(tǒng)特征檢測(cè)方法

傳統(tǒng)的車道線檢測(cè)方法依賴于高度專業(yè)化、手工制作的特征來(lái)檢測(cè)車道線[19]。這些特征選擇包括基于顏色的特征[20]、條形濾波器[21]、脊線特征[16，22]，這些方法可以歸納為基于梯度的特征及其變體。[16，21-23]假設(shè)車道線具備窄長(zhǎng)、高亮的特征，沿著圖像行搜索低-高-低強(qiáng)度圖案。[21，23]使用了條形濾波器，[16，22]進(jìn)一步使用了脊線特征。由于車道線在圖像中占比低，在圖像處理過(guò)程中易濾除車道線區(qū)域。[24]將圖像分割為8×8的像素塊，并將像素塊分類為車道線或背景，提高了特征的可靠性。上述基于梯度的車道線邊緣檢測(cè)方法均使用了圖像濾波技術(shù)，我們需要確定卷積核的尺寸。又由于透視失真，單個(gè)尺寸的卷積核不適用于整幅圖像。[25]根據(jù)預(yù)估的車道線寬度和預(yù)測(cè)的圖像行的深度，為每個(gè)圖像行調(diào)整內(nèi)核的尺寸。另一種更加常用的技術(shù)[15，26]通過(guò)逆透視變換使圖中車道線的寬度恒定，避免卷積核尺寸的變化。

3.2 基于深度學(xué)習(xí)的特征檢測(cè)方法

近年來(lái)，基于深度學(xué)習(xí)（Deep Learning，DL）的特征檢測(cè)方法被引入自動(dòng)駕駛領(lǐng)域并表現(xiàn)出了強(qiáng)大的能力。卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）以特征提取器和分類器的形式進(jìn)行車道線與背景的分類[6]。[27]使用一個(gè)8層的CNN進(jìn)行車道線檢測(cè)。[28]使用一個(gè)7層的CNN完成基于側(cè)視圖的車道線與背景的像素行分類。隨著R-CNN[29]、Faster-RCNN[30]、YOLO[31]等網(wǎng)絡(luò)模型的檢測(cè)精度和效率越來(lái)越高，研究者們將目標(biāo)檢測(cè)網(wǎng)絡(luò)引入車道線檢測(cè)系統(tǒng)。[32]研究使用CNN在單次正向推斷中執(zhí)行車道線的檢測(cè)和分類。他們使用六維向量回歸預(yù)測(cè)車道邊界局部直線的兩個(gè)端點(diǎn)及其相對(duì)于相機(jī)的深度。由于目標(biāo)檢測(cè)網(wǎng)絡(luò)的輸出不能精確的表示車道線的邊界，語(yǔ)義分割網(wǎng)絡(luò)[33]具備對(duì)圖像進(jìn)行逐像素分類的能力，研究者們提出了一系列基于像素分割、實(shí)例分割的變體[34，35]。[34]訓(xùn)練實(shí)例分割網(wǎng)絡(luò)將每條車道輸出為一個(gè)實(shí)例，從而處理任意數(shù)量的車道線。然而，上述方法同樣存在傳統(tǒng)特征檢測(cè)方法遇到的問(wèn)題，即目標(biāo)在圖像中占比小導(dǎo)致的漏檢、車道線遮擋導(dǎo)致的誤檢、車道線結(jié)構(gòu)特征明顯導(dǎo)致的信息使用不充分等，影響了車道線檢測(cè)技術(shù)準(zhǔn)確率和召回率的提高。借鑒傳統(tǒng)車道線檢測(cè)方法在時(shí)空?qǐng)D像、消失點(diǎn)、車道寬度和形狀、車道線軌跡[36-38]方面的成果，研究者們將這些方法引入將深度神經(jīng)網(wǎng)絡(luò)。[39]提出兩級(jí)語(yǔ)義分割網(wǎng)絡(luò)提高車道邊界（弱類對(duì)象）的檢測(cè)精度。[40]使用由15個(gè)點(diǎn)組成的單車道線坐標(biāo)向量避免車道線邊界檢測(cè)不準(zhǔn)確的問(wèn)題。[41]受人類從環(huán)境中（如道路結(jié)構(gòu)和交通流）識(shí)別車道布局的直覺(jué)啟發(fā)，將消失點(diǎn)檢測(cè)任務(wù)加入多任務(wù)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)整體精度。與[24]類似，[41]還使用像素塊替代回歸，使用像素塊組合表示車道邊界。[17]將傳統(tǒng)的逐層卷積替換為特征圖中逐層卷積，為CNN架構(gòu)增加了跨行和跨列像素之間的信息流，增加了車道線結(jié)構(gòu)在網(wǎng)絡(luò)中的權(quán)重。[42]將RNN（Recurrent Neural Net）引入特征檢測(cè)模塊。RNN可以對(duì)輸出結(jié)構(gòu)進(jìn)行編碼并且內(nèi)部狀態(tài)可以從一個(gè)實(shí)例保存到另一個(gè)實(shí)例[43]，符合車道線檢測(cè)中目標(biāo)多且結(jié)構(gòu)關(guān)聯(lián)的特點(diǎn)。[44，45]驗(yàn)證了RNN可以在缺失車道線標(biāo)記和無(wú)先驗(yàn)的情況下成功進(jìn)行車道線檢測(cè)，得到更加魯棒的特征檢測(cè)模型。

4 車道模型擬合

本章節(jié)主要包括濾除誤檢測(cè)線段和組段以形成最終車道。一般通過(guò)平滑路徑模型自下而上的進(jìn)行車道擬合，并通過(guò)逆透視變換使邊界曲率趨于一致。

車道模型擬合的一般實(shí)施方式為點(diǎn)抽樣、候選點(diǎn)群處理和路徑回歸。首先，從車道線段出現(xiàn)概率較高的區(qū)域進(jìn)行采樣。然后，使用聚類、RANSAC[46]等方法對(duì)候選點(diǎn)群進(jìn)行處理。因?yàn)樵诖蠖鄶?shù)情況下，由于圖像處理過(guò)程中存在噪聲，候選點(diǎn)群包含大量野點(diǎn)。最后，使用多項(xiàng)式擬合[19，26]、樣條插值[47，48]、卡爾曼或粒子濾波器[49，50]等方法進(jìn)行路徑擬合。車道模型擬合技術(shù)已經(jīng)趨于成熟，不再是限制車道線檢測(cè)技術(shù)的瓶頸。

隨著DL在車道線檢測(cè)技術(shù)中的發(fā)展，[28，51]將CNN應(yīng)用到車道模型擬合模塊，建立了端到端的車道線檢測(cè)模型。上述傳統(tǒng)模型擬合算法有數(shù)學(xué)理論支撐，而深度卷積神經(jīng)網(wǎng)絡(luò)具有不可解釋性。因此，DL在該模塊中的應(yīng)用不是研究的焦點(diǎn)。使用DL進(jìn)行特征檢測(cè)，之后使用傳統(tǒng)算法進(jìn)行車道模型擬合，在目前的車道線檢測(cè)技術(shù)中更加合理。

5 驗(yàn)證評(píng)估

為了比較不同方法的性能，需要建立基準(zhǔn)。然而，由于缺乏公認(rèn)的測(cè)試協(xié)議、性能指標(biāo)和數(shù)據(jù)集，現(xiàn)有的車道線檢測(cè)文獻(xiàn)并沒(méi)有統(tǒng)一的基準(zhǔn)。Caltech Lanes數(shù)據(jù)集[52]、Road Marking 數(shù)據(jù)集[53]圖像數(shù)量少，且均為晴朗空曠場(chǎng)景中收集，不適用基于DL的車道線檢測(cè)技術(shù)。tuSimple lane數(shù)據(jù)集[54]包含晴天和中等天氣下的6，408幅圖像，但是存在嚴(yán)重的類間數(shù)據(jù)不平衡問(wèn)題。CULane數(shù)據(jù)集[17]包含133，235幅圖像，包含了各種天氣、車道線重度遮擋、車道線磨損等場(chǎng)景，但是其僅標(biāo)注了自車車道和相鄰車道。BDD100K數(shù)據(jù)集[55]包含100，000幅圖像，不僅包含了惡劣天氣情況，而且為車道線增加了連續(xù)性和方向兩個(gè)標(biāo)注屬性。Apolloscapes數(shù)據(jù)集中的Lane Segmentation子集[18]包含超過(guò)110，000幅立體圖像，這些圖像來(lái)自不同城市的街道場(chǎng)景并且具有像素級(jí)標(biāo)注。上述數(shù)據(jù)集中的圖像數(shù)量、圖像采集條件、圖像采集地點(diǎn)各不相同，圖像中包含的車道線的種類以及對(duì)應(yīng)的數(shù)量也多種多樣，CULane數(shù)據(jù)集、BDD100K數(shù)據(jù)集和更新后的Apolloscape數(shù)據(jù)集已經(jīng)取得了規(guī)模上的突破，但是他們對(duì)車道線屬性的標(biāo)注仍然存在不一致，難以形成統(tǒng)一標(biāo)準(zhǔn)的公共數(shù)據(jù)集。除此之外，檢測(cè)成功的持續(xù)時(shí)間、檢測(cè)方法的算力需求，現(xiàn)在都缺乏統(tǒng)一的測(cè)試協(xié)議與性能指標(biāo)。[28，35，56]在不同的硬件環(huán)境下進(jìn)行了檢測(cè)效率的評(píng)估，[14]以車速為指標(biāo)進(jìn)行了評(píng)估。

在具有挑戰(zhàn)性的場(chǎng)景中進(jìn)行穩(wěn)健識(shí)別的關(guān)鍵是一個(gè)大型數(shù)據(jù)集。在大型數(shù)據(jù)集的基礎(chǔ)上，統(tǒng)一車道線檢測(cè)技術(shù)的測(cè)試協(xié)議與性能指標(biāo)，為不同的方法提供基準(zhǔn)。

6 總結(jié)

車道線檢測(cè)是完全自動(dòng)駕駛需要走出的第一步，其算法必須在各種環(huán)境中保持精確并且具有快速的計(jì)算時(shí)間，對(duì)算法的魯棒性提出了極高的要求。DL對(duì)基于視覺(jué)的車道線檢測(cè)技術(shù)的發(fā)展產(chǎn)生了深遠(yuǎn)的影響，尤其體現(xiàn)在大型數(shù)據(jù)集方面，并對(duì)測(cè)試協(xié)議與性能指標(biāo)提出了更高的要求。將CNN和RNN引入特征檢測(cè)模塊，促進(jìn)了車道線檢測(cè)技術(shù)在各種天氣、各種光照、各種遮擋陰影等惡劣場(chǎng)景中性能的提升。將CNN引入圖像預(yù)處理模塊，消除了車道線檢測(cè)技術(shù)在車道屬性上使用的許多假設(shè)，增加了其在各種道路環(huán)境中的魯棒性。但是DL的不可解釋性，為車道線檢測(cè)技術(shù)帶入了不確定性。現(xiàn)有的車道線檢測(cè)技術(shù)在穩(wěn)定性上仍然遠(yuǎn)遠(yuǎn)不能令人滿意，開(kāi)發(fā)出魯棒高效的車道線檢測(cè)方法仍然任重而道遠(yuǎn)。

[17]X. Pan，J. Shi，L. Ping，et al. Spatial As Deep：Spatial CNN for Traffic Scene Understanding [J]. https：//arxivorg/abs/180306459，2017.

[18]X. Cheng，X. Huang，Q. Geng，et al. The ApolloScape Dataset for Autonomous Driving [J]. https：//arxivorg/abs/180306184v1，2019.

[19]H. Tan，Z. Yang，Z. Yong，et al. A novel curve lane detection based on Improved River Flow and RANSA; TITS，2014 [C].

[20]I. Somawirata，F(xiàn). Utaminingrum. Road detection based on the color space and cluster connecting; ICSP，2017 [C].

[21]S. Wu，H. Chiang，J. Perng，et al. The Heterogeneous Systems Integration Design and Implementation for Lane Keeping on a Vehicle [J]. TIST，2008，9（2）：246-63.

[22]A. López，J. Serrat，C. Ca?ero，et al. Robust lane markings detection and road geometry computation [J]. International Journal of Automotive Technology，2010，11（3）：395-407.

[23]Z. Teng，J. Kim，D. Kang. Real-time lane detection by using multiple cues; ICCAS，2010[C].

[24]X. Shi，B. Kong，Z. Fei. A New Lane Detection Method Based on Feature Pattern; ICISP，2009 [C].

[25]A. Kornhauser，O. St，A. Atreya，et al. DARPA Urban Challenge Princeton University Technical Paper.

[26]A. Borkar，M. Hayes，M. Smith. Robust lane detection and tracking with ransac and Kalman filter; ICIP，2010 [C].

[27]J. Kim，M. Lee. Robust lane detection based on convolutional neural network and random sample consensus [J]. 2014.

[28]A. Gurghian，T. Koduri，S. Bailur，et al. DeepLanes：End-To-End Lane Position Estimation Using Deep Neural Networks; CVPR，2016 [C].

[29]R. Girshick，J. Donahue，T. Darrell，et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation; CVPR，2014 [C].

[30]S. Ren，R. Girshick. Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks [J]. TPAMI，2017，39（6）：1137-49.

[31]J. Redmon，S. Divvala，R. Girshick，et al. You Only Look Once：Unified，Real-Time Object Detection; CVPR，2016 [C].

[32]B. Huval，W. Tao，S. Tandon，et al. An Empirical Evaluation of Deep Learning on Highway Driving [J]. Computer Science，2015.

[33]K. He，G. Gkioxari，P. Dollar，et al. Mask R-CNN [J]. TPAMI，2017，P（99）.

[34]D. Neven，B. Brabandere，S. Georgoulis，et al. Towards End-to-End Lane Detection：an Instance Segmentation Approach [J]. CVPR，2018.

[35]Y. Hsu，Z. Xu，Z. Kira，et al. Learning to Cluster for Proposal-Free Instance Segmentation [J]. CVPR.

[36]J. Fritsch，T. Kuhnl，F(xiàn). Kummert. Monocular Road Terrain Detection by Combining Visual and Spatial Information[J]. TITS，2014，15（4）：86-96.

[37]S. Jung，J. Youn，S. Sull. Efficient Lane Detection Based on Spatiotemporal Images [J]. TITS，2015，17（1）：289-95.

[38]K. Hui，S. Sarma，T. Feng. Generalizing Laplacian of Gaussian Filters for Vanishing-Point Detection [J]. TITS，2013，14（1）：408-18.

[39]S. Chougule，A. Ismail，A. Soni，et al. An efficient encoder-decoder CNN architecture for reliable multilane detection in real time; IV，26-30 2018，[C].

[40]S. Chougule，N. Koznek，A. Ismail，et al. Reliable Multilane Detection and Classification by Utilizing CNN as a Regression Network; ECCV，2018 [C].

[41]S. Lee，J. Kim，J. Yoon，et al. VPGNet：Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition [J]. ICCV，2017.

[42]X. Shi，Z. Chen，W. Hao，et al. Convolutional LSTM Network：A Machine Learning Approach for Precipitation Nowcasting; ICONIP，2015 [C].

[43]L. Feldkamp，D. Prokhorov，T. Feldkamp. Simple and conditioned adaptive behavior from Kalman filter trained recurrent networks [J]. Neural Networks，2003，16（5）：683-9.

[44]J. Li，X. Mei，D. Prokhorov. Deep Neural Network for Structural Prediction and Lane Detection in Traffic Scene [J]. TNNLS，2017，28（3）：690-703.

[45]Q. Zou，H. Jiang，Q. Dai，et al. Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks [J]. CVPR，2019.

[46]F. Martin，Bolles，et al. Random sample consensus：a paradigm for model fitting with applications to image analysis and automated cartography [J]. Readings in Computer Vision，1987.

[47]Z. Whan，Kim. Robust Lane Detection and Tracking in Challenging Scenarios [J]. TITS，2008，9（1）：16-26.

[48]K. Zhao，M. Meuter，C. Nunn，et al. A novel multi-lane detection and tracking system; IV，2012 [C].

[49]W. Fiedler. Stochastic Lane Shape Estimation Using Local Image Descriptors [J]. TITS，2013，14（1）：13-21.

[50]B. Shin，J. Tao，R. Klette. A superparticle filter for lane detection [M]. Elsevier Science Inc，2015.

[51]W. Brabandere，D. Neven，M. Proesmans，et al. End-to-end Lane Detection through Differentiable Least-Squares Fitting [J]. CVPR，2019.

[52]M. Aly. Real time Detection of Lane Markers in Urban; IV，2008 [C].

[53]W. Tao，A. Ranganathan. A practical system for road marking detection and recognition; IV，2012 [C].

[54]The tuSimple lane challange [J]. http：//benchmarktusimpleai/，2017.

[55]F. Yu，W. Xian，Y. Chen，et al. BDD100K：A Diverse Driving Video Database with Scalable Annotation Tooling [J]，CVPR，2018.

[56]Y. Hou. Agnostic Lane Detection [J]. CVPR，2019.