车道线检测方法分为两种：一种是传统算法，主要基于边缘特征或者是图像分割，通过图像预处理，特征提取等方式与卡尔曼滤波器等算法结合，在识别出车道线后采用后处理的方式形成最终的车道。然而这种传统方法无法识别“语义的”车道线，易受到光照变化，行驶车辆，道路破损等干扰，导致效果欠佳。近年来，深度学习方法利用网络模型自动学习目标特征，具有较强的泛化能力，可以有效提高目标检测的准确率。得益于卷积神经网络的强大特征提取能力，性能也在不断提升。
然而，深度神经网络的层数多，计算量大；大部分车道线检测算法只能在高性能显卡或AI加速卡上以20-50fps的速率运行。这些平台功耗大，成本高，不适合在嵌入式设备上进行边缘计算。因此，本研究旨在设计一种轻量车道线检测算法，并将其部署在 ZYNQ 平台上，实现实时的车道线检测。
本研究的车道线检测算法基于浙江大学李玺团队在 ECCV 2020发表的论文。
车道线检测算法论文
GitHub - cfzd/Ultra-Fast-Lane-Detection: Ultra Fast Structure-aware Deep Lane Detection (ECCV 2020)
UFLD开源代码
2022年作者在 TPAMI 上发布了该算法的第二代模型，主要针对 CULane 数据集进行了优化。
2022年作者发布的第二代车道线检测算法
GitHub - cfzd/Ultra-Fast-Lane-Detection-v2
UFLD v2开源代码
2018级的许宏达师兄基于 ZYNQ 平台对 YOLOv2-Tiny 目标检测算法进行了优化与实现。
许宏达师兄的论文
2019级的牧士宁师兄基于 ZYNQ 平台对 CNN-CTC 语音识别算法进行了优化与实现。