车道线检测，作为自动驾驶最基础也最重要的任务之一，近年也一直是从业人员的热门研究对象。车道线检测一般基于单目摄像头，检测方法可以分为两类：传统图像处理方法和深度学习方法。

传统的图像处理方法非常依赖人工提取特征来检测车道线。其中最常用的是基于颜色和结构的特征，并与霍夫变换相结合，然后再对检测到的线段进行拟合等后处理得到完整车道线。实际的场景会由于光照、阴影等因素而发生变化，引发鲁棒性问题，因此存在许多挑战。

随着机器学习领域的发展，比起人工构建特征，通过数据自动提取特征的方式被证明效果会更好。其中，最常见是基于CNN的方法（例如SCNN和Line-CNN等）。SCNN等方法通常采用密集预测公式，即将车道检测视为语义分割任务，图像中的每个像素都分配有标签以指示其是否属于车道线，具有较重的编码器-解码器结构。但是有些方法通常需要事先预设好车道数，或是一般使用较小的输入图像，这就导致这些方法很难预测曲线车道远处的部分。Line-CNN等方法基于候选区域，通过预测多个候选锚点或线段可以摆脱低效的解码器和事先预设的车道数。但是，由于基于候选区域，它们对曲率时刻变化的弯道捕捉不够灵活。

华为诺亚方舟实验室与中山大学近日发表了一个新方法，旨在解决弯道车道线检测问题。在论文《CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending》中，华为与中大提出了一个名为CurveLane-NAS的方法，是一种简单而有效的多目标搜索算法，为每个特征层准确分配具有合理感受野和空间分辨率的计算，旨在高效性和准确性之间达到最佳平衡。同时，还发布了一个车道检测数据集CurveLanes，是目前最大也是最难的车道检测数据集。

感兴趣的可以戳链接进行阅读。

内容中包含的图片若涉及版权问题，请及时与我们联系删除