园区道路巡检、自动驾驶感知，都绕不开一个基础问题：车道线在哪？和检测车辆行人不同，车道线是贴在地面上的细长结构，像素少、对比弱，弯道还是一条曲线。传统做法把它当普通语义分割来切，结果往往是线断成一截一截、弯道拟合不准。
今天分享的这篇 CVPR2026 论文 LaneLite，面向车载与监控视频流的车道线检测：输入前方道路图像，输出每条车道线的曲线参数和逐点坐标。模型把细长结构专门建模，用参数化曲线代替逐像素掩码，在 TuSimple 和 CULane 两个车道线基准上取得同量级模型领先的 F1，边缘设备可实时运行。
一、车道线检测难在哪
1.1 线细长、结构弱、占像素极少
车道线宽度通常只有几个像素，一条线在整张图里占比极低。普通分割网络按区域面积算损失，细长线的误差被大片路面淹没，模型很容易"忽略"它。这和检测一个人、一辆车那种块状目标完全不同。
1.2 透视变形与弯道曲线
同样一条直道，近宽远窄，远处缩成一个点；弯道在图像上是弧线，不是直线。把车道线当成矩形框或者直线拟合，弯道必然失真。需要模型既能处理透视压缩，又能输出平滑的曲线表示。
1.3 遮挡、磨损与阴影干扰
车辆行驶时挡住一段线，路面磨损、油污、阴影、积水反光都会让标线变淡甚至消失。被挡住的部分要靠上下文推断补全，而不是直接断线；阴影下的浅色线还容易被误判成路面纹理。
1.4 视频流要求连续且实时
车道线检测跑在视频流上，相邻帧之间线的位置应当连续平滑，不能这帧识别到、下帧突然消失又冒出来。同时车载和边缘巡检场景对帧率敏感，模型不能太重。
二、LaneLite 的三个核心设计
LaneLite 的整体思路：针对细长结构做专门特征增强，用参数化曲线表达车道线，再用帧间一致性保证视频流上的稳定输出。
2.1 细长结构感知特征
•骨架方向建模：在特征图上沿线的走向做长条卷积/方向注意力，强化沿线方向的连续性，压制横向噪声。
•细长样本损失加权：训练时对线像素上调损失权重，避免被大面积路面稀释。
•逐行锚点预测：按图像行方向采样锚点，预测每行上线的横向位置，天然贴合车道线"从上到下纵向延伸"的形态。
2.2 参数化曲线表示
不直接输出逐像素掩码，而是把每条车道线拟合成平滑曲线：
•曲线拟合：用多项式或贝塞尔曲线表达车道线走向，输出曲线参数而不是散点掩码。
•断线补全：被车辆、阴影遮挡的线段，由前后可见段的曲线趋势外推补全。
•实例区分：相邻两条车道线分别拟合各自曲线，避免两条线黏成一团。
消融实验显示，参数化曲线表示相比逐像素分割，弯道 F1 提升更明显，输出结果也更平滑、便于下游计算车道边界。
2.3 轻量主干与帧间一致性
•轻量骨干：深度可分离卷积主干，压缩参数量，满足实时帧率。
•帧间特征关联：相邻帧的车道线特征做短时匹配，保证同一条线跨帧编号和位置连续。
•平滑约束：对曲线参数加时序平滑损失，减少结果在帧间的抖动跳变。
三、技术架构拆解
模块 |
做什么 |
关键设计 |
轻量特征主干 |
提取道路多尺度特征 |
深度可分离卷积，兼顾实时与细节 |
细长结构增强 |
强化沿线方向连续性 |
方向注意力 + 逐行锚点 + 线像素加权损失 |
曲线拟合头 |
输出参数化车道线 |
多项式/贝塞尔拟合，遮挡段趋势外推 |
帧间跟踪模块 |
保证视频流结果连续 |
相邻帧特征匹配 + 时序平滑约束 |
工程要点：
•输出形式：每条线的曲线参数 + 逐点坐标，可直接投影到俯视图计算车道宽度、可行驶区域。
•部署：模型量化后可跑在边缘巡检盒子或车载域控上。
•场景扩展：除行车道线，斑马线、停止线、引导箭头等道路标线可作为附加类别扩展。
四、和主流方法的横向对比
在 TuSimple（高速直道为主）和 CULane（复杂城市道路）两个基准上对比（F1 越高越好；数值为示意口径，复现以官方划分为准）：
方法 |
TuSimple F1↑ |
CULane F1↑ |
参数量(M) |
表示方式 |
语义分割类 |
中等 |
中等 |
较重 |
逐像素掩码 |
锚点回归类 |
较好 |
中等偏上 |
中等 |
逐行锚点 |
参数化曲线类 |
较好 |
较好 |
中等 |
曲线参数 |
LaneLite |
领先 |
领先 |
轻量 |
锚点 + 曲线拟合 |
对比结论：纯分割方法在弯道路段容易断线；锚点方法速度快但曲线不平滑。LaneLite 把逐行锚点定位和曲线拟合结合，在复杂道路（CULane）上提升更明显，同时保持轻量。
五、快速上手：核心推理框架
python |
落地提示：车道线检测结果要做透视转换到俯视图才好用（算车距、车道宽度）。鱼眼或广角相机需要先做标定校正，否则曲线参数会带畸变误差。
六、毕设/竞赛拓展方向
6.1 园区道路巡检标线磨损识别
在车道线检测基础上判断标线是否磨损、缺失、模糊，输出养护建议。和道路巡检业务贴合，落地价值明确。
6.2 可行驶区域与道路边界估计
从车道线扩展到道路边界、路沿、可通行区域分割，组成完整的道路感知结果。可和之前的全景分割方向结合。
6.3 车道线 + 车辆联合感知
把车道线检测和车辆检测结果对齐到同一坐标系，判断车辆是否压线、是否在对应车道内。多任务联合，系统完整度高。
6.4 弱监督少样本车道线标注
研究用少量逐线标注 + 大量无标注视频训练，降低标注成本。偏方法论，适合想做模型改进的同学。
七、写在最后
车道线检测提醒我们：选对表示方式往往比堆模型更重要。线状目标用曲线参数表达，块状目标用框表达，区域目标用掩码表达——让输出形式匹配目标本身的几何形态，问题会简单很多。
LaneLite 给我的启发是：面对被大面积背景淹没的细长结构，训练目标权重要向它倾斜；推理表示要贴合它的形态（曲线而非散点）。这两点做到位，轻量模型也能拿到不错的效果。
做毕设的同学如果选这个方向，建议先在 TuSimple 小数据上跑通"图像 → 曲线叠加"的可视化，再挑战 CULane 这类复杂场景。曲线和原始画面叠加后的效果非常直观，演示时一眼能看出好坏。