原文链接 https://mp.weixin.qq.com/s/CgLmhLhMfo2SekLu9Q1O9w
在这篇文章中：
作者：Amusi
https://github.com/amusi/awesome-lane-detection
前言
这篇文章，搁置了至少5个月。关于车道线检测，CVer曾于2018-06-07转载了一篇文章：论文精读 | LaneNet 端到端车道线检测的实例分割方法。
前几天又有同学在CVer算法备战群里咨询是否有车道线检测方向的资料，笔者就想正好整理一下资料并po出来，也许可以帮助到其它人。
首先申明笔者对这个方向不熟，只是比较感兴趣，并没有深入研究。但这份资料，笔者可以保证是目前网上关于车道线检测最全的资料合集（如果你知道有更棒的，欢迎后台推荐）。
一幅图理解一下车道检测是干嘛的：
awesome-lane-detection
awesome-lane-detection是Amusi 整理的关于车道线检测的资料合集，已经发布到github上，欢迎star、fork：https://github.com/amusi/awesome-lane-detection
据笔者了解，车道线检测解决方案主要分为传统图像处理和深度学习两种。看起来每个领域都可以这么说，但车道线检测与其它研究方向不太一样。因为检测的目标可能是直线也可能是曲线，而且只是"线"而已，目前很多公司还在用传统图像处理方法来解决。
这个开源库主要包括以下内容：
- 论文（以2017之后为主）
- 开源代码
- 博客
- 数据集
论文
如图所示，尽可能涵盖了两年内车道线检测（lane detection）方向的论文。这里点名推荐一篇IEEE IV 2018的优秀论文《LaneNet: Real-Time Lane Detection Networks for Autonomous Driving》和一篇AAAI 2018《Spatial As Deep: Spatial CNN for Traffic Scene Understanding》
开源代码
网上关于车道线检测的开源代码，最著名的应该是Udacity课程中项目实例：CarND-Advanced-Lane-Lines。
博客和数据集
数据集这一块内容还很少，不过每篇论文中多少会说明在哪些数据集上训练/测试的。后续会继续补充，也欢迎大家push。
侃侃
个人觉得车道线检测其实是个很有意思、具有难度且有需求的研究方向。你既可以了解传统图像处理如何解决这个问题，也可以通过深度学习来解决，可谓一举两得。
国内做自动驾驶方向的公司很多，而且这个方向与公司业务也是强关联的，笔者认为很有助于找工作。
awesome-lane-detection已经发布到github上，欢迎各位CVers来star、fork，点击原文可以直接进入：https://github.com/amusi/awesome-lane-detection