使用激光雷达和里程计进行车道标线自动标注

摘要

车道标线是自动驾驶的关键要素。高精度地图和真实数据的生成需要大量人工劳动。在本论文中，我们提出了一种高效且鲁棒的方法，利用低密度激光雷达点云和里程计信息对车道标线进行离线标注。通过里程计信息累积扫描数据，并沿车辆轨迹分块处理点云。在每个块中，通过生成虚拟扫描线并对激光雷达强度值应用动态优化滤波函数来检测候选车道标线点。车道标线按块进行跟踪，估计其宽度并分类为实线或虚线。结果为表示不同车道标线的相连三维点列表。我们将所提方法的结果与人工标注的记录进行对比，验证了其准确率。此外，本文提出了一种新的评估方法，重点关注检测的横向精度。同时，使用网页用户界面加载生成的标注，与完全手动基线相比，标注时间减少了60%。

索引术语

自动驾驶，车道感知，车道检测，车道标线，道路标线，激光雷达，激光扫描，点云，标注。

I. 引言

AUTONOMOUS 驾驶和高级驾驶辅助系统（ADAS）需要精确到几厘米的自主定位。这种精度可以通过多种传感器的组合来实现[1]例如视频摄像头、结合全球导航卫星系统（GNSS）和惯性测量单元（IMU）的集成导航系统（INS），以及激光探测与测距（激光雷达）。此外，具有车道级信息的高清晰度（HD）地图对于安全机动规划至关重要。若无自动化技术，全球范围内创建这些地图将是一项不可行的挑战。

横向道路标线是道路基础设施中的关键视觉元素。用于界定车道和道路边界的车道标线尤为重要。这些标线的检测是实现车道保持辅助系统（LKAS）、车道偏离预警（LDW）或基于精确定位的自动机动规划等功能所必需的。目前出现了一种使用深度学习来实现这些功能的方法[2]，该方法需要大规模标注数据集用于训练和验证，而这些数据集通常依赖标注工具和大量人工劳动创建。

另一个与道路标线检测相关的应用是道路基础设施管理。道路管理部门需要工具来加快道路资产清单的创建，并用于维护目的[3],[4]。由于受到气象和交通条件的影响，道路标线会遭受严重的磨损退化。因此，许多研究人员致力于研究道路标线的自动化检测与评估[7],[10],[15]。

与基于图像的方法相比，激光雷达传感器在道路标线检测方面的优势在于其对光照或天气条件的敏感性较低。另一方面，激光雷达的数据密度可能因传感器不同而较低，且成本较高。激光雷达可直接估计度量信息，从而避免了立体相机或地面平面校准相关的问题；同时，也更容易去除垂直物体。

使用三维点云进行标注比基于深度学习的语义图像分割更快，因为深度架构包含大量参数，因此即使使用顶级硬件，实际分割过程通常也很慢。此外，人工标注者需要逐帧审查和修正。同时，GPU需求也增加了自动标注的成本。

使用多层低频通用激光雷达以正常速度行驶时，由于低对比度标线和低密度点云（每平方米数百个点的数量级）带来的挑战，与每平方米数千个点的高密度点云相比，存在较大困难。

性能扫描系统，如[12]中所述。每个激光器的不同灵敏度带来了挑战，因为组合信号噪声非常大。车道标线检测需要对激光器进行反射率校准，但在点密度较低的情况下，这种校准十分困难，因为它要求多个激光器对每个区域进行大量观测。激光雷达的外参标定也非常重要，因为必须利用里程计精确地累积扫描数据，以最大化车道标线的对比度。然而，尽管存在这些挑战，此类低频系统仍是我们工作的重点，因为它们搭建起来明显更简单且成本更低，能够支持多用途的记录阶段，从而降低成本并有利于在更短时间内生成更大的数据集。

本工作的主要目标是对车道标线进行标注，以用于车道偏离预警（LDW）和车道保持辅助（LKA）系统的开发与评估。这些系统需要车道标线的精确横向位置。许多前沿技术工作集中于道路标线的分割，并使用交并比等指标进行评估。此类标注无法直接估计车辆的横向位置。我们通过由一系列三维点和宽度定义的中心线对车道标线进行标注。这些线条可实现地理配准，并反投影到摄像头图像中，以便进一步处理或验证，如图2所示。

在本论文中，我们提出了一种用于高速公路和非城市道路车道标线自动标注的原理性模型。该模型不需要预标注数据，与有监督深度学习模型不同。该方法利用由移动式多层激光雷达生成的带有反射率和里程计信息的点云。主要目标是通过批量处理测试车辆在自然驾驶条件下每日采集的大量数据，高效地生成标注结果。大规模的人工标注耗时且昂贵。如果自动预标注效率高，并且所需计算集群的每小时成本保持较低，则可以控制标注时间和成本的指数级增长[26]。每条车道标线的中心线被标注为三维折线，并计算其宽度。每条车道标线还被分类为实线或虚线。图1展示了标注流程的概述。在此流程结束时，自动标注结果将进行人工校正和验证。

本文的主要贡献包括：（i）一种用于车道标线自动标注的新方法。该方法在低密度点云情况下具有高效性和鲁棒性；（ii）一种评估标注精度的新方法。为了评估将该方法引入标注流程所带来的优势，开展了一项实验，测量专业标注人员使用自动预标注所需的时间。

II. 相关工作

A. 批处理方法

在这一类别中，研究工作主要集中在高精度地图、道路特征映射、三维街道建模和道路资产清查[5]–[16]的创建。这些技术大多使用安装在车辆顶部并垂直于道路平面的一个或多个单层高性能激光雷达仪器，以生成高密度扫描。由于数据是离线处理的，因此利用GNSS/IMU系统估算的里程计将连续扫描进行累积，从而获得点密度较高的点云。在[7]中报告了扫描中心处每平方米4,000–7,000个点的密度2。在这些方法中存在两个子类别：

1) 图像处理：

其中一些方法采用了图像处理方法，利用激光雷达反射率或强度[5]–[12]生成点云的俯视光栅图像。

在[5]中，通过反距离权重插值为整个点云生成了地理参考反射强度图像。通过应用固定阈值、寻找连通区域并基于形状矩进行滤波来检测道路标线。最后，使用渐进式概率霍夫变换提取虚线的线段。在[6]中生成了相同的图像，但不是为整个点云生成图像，而是将点云按车辆位置划分为多个区块，并为每个区块生成一幅图像。然后采用依赖于点密度的多阈值分割方法提取道路标线，并应用形态学算子以减少噪声。该方法在[7]中得到改进，使用基于加权邻域差分直方图的动态阈值化和多尺度张量投票以去除噪声。

在[8]中，围绕导航点生成了宽30米、长10米区域的栅格图像。落在每个像素内的点的强度以其全局最小值和最大值进行平均并归一化，像素大小为6厘米²。通过应用距离相关阈值化对图像进行分割。在[9]中，使用具有两个成分的高斯混合模型，在创建强度图像之前检测属于道路标线的点。此步骤减少了图像中的噪声。图像被划分为具有相似激光束角度标线的单元，并对每个单元使用大津阈值法进行分割。在[10]中，使用图像修复算法填充图像中的孔洞。标线通过期望最大化算法进行分割。

在[11]中，使用点云的俯视图来训练端到端分割卷积神经网络（CNN）。针对每个点云块，生成固定大小为6,144×3,072像素的俯视图，分辨率为每像素1厘米²。这些图像被裁剪为512×512像素的块，作为CNN的输入。CNN的输出为概率图像，随后对该图像进行平滑和阈值化处理，并将车道标线检测为连通区域，再拟合为三次曲线。类似地，在[12]中，使用插值后的俯视图训练了一个CNN编码器‐解码器网络以提取道路标线。

2) 扫描线处理：

一些方法不创建插值后的俯视图，而是直接处理激光雷达产生的扫描线[13]–[16]。在[13]中，通过自适应阈值化在每条扫描线中检测强度峰值，检测到的候选点被投影到二维图像上，并使用霍夫变换检测车道标线。随后利用车辆轨迹和几何检查去除误报，再通过RANSAC曲线拟合精确定位每条标线。在[14]中，每条扫描线的强度值先通过中值滤波进行平滑处理，然后在强度梯度中检测峰值。在[15]中，车道标线被检测为每个激光雷达剖面强度响应中的局部极大值，然后根据距离对点进行分组，虚线的线段则根据其主方向进行分组，最后对每条车道标线拟合样条曲线。文献[16]提出了一种车道级地图生成方法：通过对每个激光束的强度应用一维拉普拉斯滤波器来检测车道标线点，然后使用RANSAC算法检测线段，这些线段被用于粒子滤波器进行车道估计。

B. 实时定位方法

车道标线检测的目的之一是确定车辆在自车道内的定位。以下论文提出了通过独立处理每次激光雷达扫描或使用过去若干次扫描的累积来检测车道标线的实时方法[1],[17]–[22]。这些研究使用了多层和多用途扫描仪，这些扫描仪并非专门安装用于扫描道路，导致点云密度低得多。此外，由于实时性要求，过去扫描的累积也受到限制。

在[17]中提出了一种使用四平面激光扫描仪进行车道线检测的实时方法。将点沿行驶方向投影以生成量化为bin的直方图。他们所使用的扫描仪的灵敏度被调整为仅检测车道标线。连续的扫描数据在直方图中累积，并基于直方图梯度采用自适应阈值。最后一步，对检测点应用线性回归。

AnnieWAY团队为2007年DARPA城市挑战赛开发的车道标线检测方法在[18]中进行了描述。使用了具有64层的激光雷达。通过GNSS/惯性导航系统信息对连续扫描的点云进行配准并累积。对强度梯度较高的点进行阈值化处理，并利用Radon变换检测车道线段。检测到的线段用于估计与数字地图之间的偏移量。

在[19]中，通过堆叠一维激光扫描仪的连续扫描线生成图像或反射率图。该图使用动态阈值进行阈值化处理，并应用Canny边缘检测滤波器。通过在车辆位置两侧的两个检测窗口内累积阈值化图像和边缘图像中的白色像素，检测自车道的车道标线。车道采用回旋曲线建模，并利用卡尔曼滤波器进行跟踪。

在[20]中，通过处理64层激光雷达每个扫描线的反射率信号来检测车道标线。在应用FIR带通滤波器去除噪声后，使用固定阈值找到候选点。对点进行分组并拟合为回旋曲线。在连续帧中，使用卡尔曼滤波器跟踪车道标线。

在[21]中使用了具有32层的激光雷达传感器。对每个扫描线应用了大津阈值法的改进版本。提出了一种基于提取的道路标线的定位方法。在[22]中使用了相同的传感器。通过激光强度和固定阈值提取道路标记，并通过搜索一组平行线来检测道路线。检测到的道路线被表示为三维点，并利用GNSS/INS系统集成生成车道级数字地图。

在[1]中提出了一种结合全球导航卫星系统、惯性测量单元、激光雷达和摄像头的导航滤波器。利用激光雷达和摄像头来估计自车道内的横向位置。通过使用四层激光雷达，将实际激光雷达数据与理想扫描强度轮廓进行拟合，从而检测自车道标线。

我们在实验中使用的点云密度相对较低，每平方米仅有50到1,000个点，这意味着基于俯视图栅格化的方法不适合解决我们的问题。低点密度导致车道标线在栅格图像上显得模糊，从而增加了分割的难度。另一方面，基于扫描线的方法无法利用离线处理中可实现的前后扫描数据的累积。本文提出了一种基于直方图分析的批处理离线方法，类似于文献[17]中提出的基于扫描线的方法，但使用累积点云生成虚拟扫描线。类似的思想在文献[6]中被提出，用于路面提取以在伪扫描线中检测路缘石。

III. 方法

图3展示了所提出方法的概述。由配准扫描组成的累积点云，沿着自车的轨迹逐步按块进行处理。在每个块中，检测候选车道标线点，并将其与之前找到的点进行匹配。一旦轨迹完成，车道标线被分类为实线或虚线。最后一步，对虚线段端点的位置进行优化。

A. 块裁剪

首先，对轨迹进行子采样，使得节点之间的距离固定为blod。在每个节点处，使用固定尺寸的裁剪框提取点云块，裁剪框以车辆位置为中心，并垂直于行驶方向，如图4所示。该裁剪框长度为blol，宽度为blow。

如果在完整点云上重复进行裁剪，计算成本较高。为了提高效率，仅使用一小部分扫描数据。该子集会随着车辆traverses点云而更新。所使用的扫描是其边界框与裁剪框相交的那些扫描。由于扫描按扫描时间排序，因此子集可以非常高效地更新。相交部分通过二维轴对齐边界框计算。

裁剪后的点通过应用逆向里程计被变换到归一化空间，并且去除了点的高度信息。在此域中，车辆位置位于(0,0)，行驶方向与之对齐如图5上部所示的Y轴。在此方法中，我们假设车辆大致沿道路中心线平行行驶，这在大多数情况下是成立的，即使车辆正在进行变道操作（横向位移通常远小于纵向平移）。

B. 候选车道标记点检测

从提取的点云块中计算平均强度轮廓。此过程可视为虚拟扫描线生成。水平轴被划分为固定宽度为binw的bin。bin的总数计算公式为nb=blow/binw。每个binbi的平均强度计算为:

$$
bi = \frac{\sum_{j=1}^{np} w_{ij} i_j}{\sum_{j=1}^{np} w_{ij}}
$$

$$
w_{ij} = 1 - \left(\frac{\min(bind, d_{ij})}{bind}\right)
$$

其中，$i_j$ 是每个贡献点$p_j$的强度，$d_{ij}$是点$p_j$与$bin$ $b_i$中心之间的距离。每个点对其中心位置在最大水平距离$bind$范围内的$bin$产生贡献。块的总点数为$np$。

为了消除地面强度变化的影响，减去投影的强平滑版本。平滑通过加窗中值滤波器binm实现。去除地面强度后，结果还通过高斯平滑滤波器bing进行去噪处理，并将负值进行阈值化，如下图5下半部分所示。

使用激光雷达和里程计进行车道标线自动标注

C. 车道标线跟踪

在上一步中已检测到一些候选点。在这一步中，必须将它们与先前检测到的车道标线连接，或者如果是首次检测到，则创建一条新的车道标线。对于每条先前检测到的直线，均维护一个卡尔曼滤波器，用于预测其X坐标或横向位置。如果满足以下条件，则将每个点与先前检测到的车道标线中最接近的点连接:

• 如果先前的标线只有一个点:–当前点与该标线点之间的距离小于tra–两个点处估计的线宽相似。
• 如果前一个标线包含多个点:–当前点与标线最后一个点之间的距离小于虚线段之间的最大距离segMd。此时，当前点可能是虚线中新线段的第一个点。–当前点的X坐标与线的预测X坐标之间的距离小于trat。该预测使得在曲线中能够连接虚线段。

在两种情况下，连接当前点和前一个点的直线方向与行驶方向之间的角度车辆的行驶方向夹角必须小于traa。这可以防止错误连接，前提是车道标线始终几乎与行驶方向平行。我们允许一定裕量以跟踪出入口车道的标线。

每个未被连接的候选点将作为误检被丢弃，或在距离之前检测到的所有标线均大于最小间距mard时创建一个新的标线检测。图6展示了相关参数的图形表示。

在此步骤结束时，接收到新点的直线的卡尔曼滤波器将被更新，并为新出现的直线初始化卡尔曼滤波器。

跟踪和 (b) 道路定义参数。)

D. 车道标线分类

裁剪、检测和跟踪步骤在每个块中重复执行，直到里程计的最后一步。最终，每条车道标线在累积点云坐标系中表示为一条多段线或一组三维点，并附带其估计的平均宽度。

在此步骤中，检测到的标线被分类为实线或虚线。每条线的点基于段之间的最小segmd和最大segMd期望距离，以及最小segml和最大segMl段长度进行分组。当一条线的一部分呈现出一系列长度相似且大致等距分布的线段时，该部分被分类为虚线，否则被分类为连续线。最后，虚线各线段内部的中间点被移除。结果如图7所示。

E. 虚线段端点优化

由于虚拟扫描线在裁剪后的点云块的中心线上方近似于道路的实际强度，所检测到的虚线段端点存在纵向误差。

对于每个线段，使用裁剪框对点云进行裁剪，裁剪框的宽度为线估计宽度的两倍，长度为检测到的线段长度加上端点前后各一个裕量segr。计算裁剪后的点的垂直投影，并使用中值滤波器进行平滑处理。投影采用与车道标线检测相同的方法计算，其中nb为bin的数量。端点的精确纵向位置，

由n和m表示的端点在投影中被找到，即为使方程4最大化的位置，该方程结合了投影的一阶导数以及端点内外平均强度的差异

$$
g(n, m) = 2(b’_n - b’_m) + d(n, m)
$$

其中$b’_n$和$b’_m$是投影在n和m处的一阶导数。$d(n,m)$是投影在端点n和m内外的平均强度之差：

$$
d(n, m) = \frac{\sum_{i=n}^{m} b_i}{m - n + 1} - \left( \frac{\sum_{j=0}^{n-1} b_j + \sum_{j=m+1}^{nb} b_j}{nb - (m - n + 1)} \right)
$$

其中$bi$和$bj$分别是端点内部和外部每个区间内的强度。图8显示了一个虚线段的投影示例。

通过这一步，线段端点的纵向误差显著减小，从而完成了车道标线的检测。最终结果是一组被分类为实线或虚线的多段线，如图7所示。如上所述，虚线仅在线段端点处有点。

IV. 数据集描述

我们用于实验的数据集是使用64层激光雷达和GNSS/INS系统记录的。所有使用里程计信息对点云进行预先配准：因此，扫描期间的传感器运动得到补偿并累积。然而，每个点与相应扫描ID之间的关系得以保持，并且点按扫描ID递增的顺序排列。里程计信息包含车辆位置和姿态。图9展示了数据集中的一条记录或轨迹示例。

总共在12个不同的日子沿高速公路和非城市道路以50至120公里/小时的正常行驶速度记录了10公里。激光雷达安装在车辆顶部，作为通用的三维传感器，并未特别定向以集中扫描路面的激光器。点密度根据行驶速度、交通和天气条件在每平方米50到1,000个点之间（平均350个点）。数据集包括6条直道和6条弯道，最多包含4条车道，以及总共3条出口车道和3条入口车道。其他道路标线如箭头或文字不存在。每条轨迹的特征列于表I中。图10显示了由车辆前视摄像头拍摄的每条轨迹的一帧图像。

点云先前经过处理，通过固定高度阈值去除了所有不属于路面的点。

由于所用激光器的灵敏度不同，该数据集在记录的反射强度方面存在显著差异。因此，进行反射率校准以获得更均匀的响应。我们实现了[24]中提出的算法。该校准针对每次记录或轨迹进行。校准后，点云的直方图被均衡化。图11展示了校准和均衡化结果的一个示例。

反射率校准和直方图均衡化前；(b) 反射率校准和直方图均衡化后。)

V. 评估方法

所提出的方法通过使用基于网页的工具[25]对车道标线进行人工标注生成的真实值进行了评估。该工具允许在点云的俯视图中对标线进行交互式标注。要求用户通过每隔约2米放置一个点来标注虚线段和实线的端点。标注人员还将标线分类为虚线或实线，并估计线宽。由于该工具具有图形显示功能，因此可以实现准确标注，如图12所示。

衡量标注质量的一个关键难点在于，需要比较的三维折线不一定包含相同数量的线段，每条多段线的点数也不相等，甚至不是按照相同的采样标准获取的。

为了克服这些困难，我们提出了一种方法，通过以特定度量步长samd对三维折线进行采样，将三维折线集合转换为三维点集合来进行比较。该比较可利用三维欧氏距离实现，确保距离测量中的最大偏差为步长的一半。

对多段线进行采样后，我们得到一组真实值三维点G和一组待评估的三维点E。对于每个点g ∈ G，我们可以计算其到所有其他点e ∈ E的欧氏距离，并保留最小距离$d^ (g) = \min(d(g,E))$。该距离$d^ (g)$近似于点g到最近直线的横向距离。

真实值点集G到评估点集E的映射准确率计算如下：对于一个点g，如果$d^*(g) \leq \varepsilon$（其中ε为某一容差值），则该点被视为真阳性TP，否则视为假阴性。遍历所有g ∈ G后，即可计算出总的TP数和FN数。由此，FP可估计为$FP = |E| - TP$，其中$|E|$表示集合E的基数。尽管这只是一种近似方法，但如果设定的采样步长相对于三维折线中点之间的实际距离足够小，则该方法是有效的。在此情况下，1厘米的采样步长已完全足够。

一旦计算出TP、FN和FP，我们就可以根据选定的容差值得到召回率R和精度P曲线。此外，还可以计算F‐值F，以提供一个单值度量指标。该方法特别适用于车道保持辅助（LKA）和车道偏离预警（LDW）系统，因为我们可以在给定所需的最大横向误差的情况下评估结果。

$$
R = \frac{TP}{TP + FN};
$$

$$
P = \frac{TP}{TP + FP};
$$

$$
F = \frac{2(RP)}{R + P}
$$

这三个值的范围均为零到一。R可以解释为被检测到的真实标注线的数量，P衡量的是在选定容差范围内与真实标注线接近的检测到的线的数量，而F是检测算法的整体质量度量。

我们还评估了专业标注人员在有和没有预标注的情况下标注轨迹所需的时间。图13展示了该评估的示意图。

VI. 结果

该方法的参数及其在定量评估中使用的值列于表II。道路定义参数列于表III。

图14显示了每条轨迹获得的全局质量F度量以及不同ε值下的平均值。

ε = 5 cm的平均F-值 = 0.92。该值意味着，平均而言，92%的车道标线被正确检测，精度为ε = 5 cm。换句话说，如果ε = 5 cm是人工标注者要求的精度，则他们只需标注或修正总共车道标线的8%。该F-值无法与[12]等其他研究报道的数值进行比较，不仅因为使用了不同的数据集，还因为他们采用了交并比度量，而该度量无法反映检测结果的横向距离误差。

表IV列出了在容差为ε = 5 cm、车辆速度和每条轨迹的点密度情况下获得的R、P和F值。所得到的R和P值几乎相等，因为FPs和FNs非常低。根据所选择的容差，检测到的线的某些部分被视为FPs，而真实值的相应部分则被视为FNs。

轨迹3、4、6和9得分较低。轨迹9是在雨天记录的，点云存在许多空洞且点密度较低。此外，道路标线状况较差。在轨迹3、4和6中，由于激光雷达外参校准不准确，前后激光雷达点在横向方向上错位。这种误差会直接影响标线的检测，因为在投影中的平均强度降低了一半。在轨迹3中，该问题更为严重，因为存在双实虚线，而在点云中两条线之间没有间隙。此外，标线状况较差。这些标线的示例如图15所示。

为了衡量虚线端点的质量，无需进行折线采样，因为仅检测和标注了线段的端点。这意味着每个检测点应在真实值中有一个对应匹配点。在这种情况下，点间距离包含横向距离以及由于未使用采样而导致的纵向误差。图16显示了每条轨迹虚线段的F值及其在不同δ取值下的平均值。

Trace3未显示，因为由于激光雷达标定误差无法检测到虚线。Trace10也未显示，因为它仅包含实线。当取δ = 20 cm时，获得的平均F = 0.94。表V显示了各轨迹在δ = 20 cm时获得的R、P和F值。

该算法使用C++实现，处理一次平均行驶轨迹平均需要30秒在Intel i5-4590 3.3 GHz CPU上，距离为800米，包含600万个点。

最后，我们对三名专业标注人员进行了实验。我们要求他们对所有轨迹进行两次标注：第一次从零开始且无预标注，第二次则基于自动预注释进行，并调整顺序以避免学习偏差。图17显示了标注人员标注每条轨迹所需的平均时间。平均而言，使用预标注可节省60%的人工所需时间。从零开始标注每条轨迹的平均时间为20分钟，而从预标注开始则为8分钟。在使用预标注的情况下，标注人员每100米道路约需1分钟。

A. 参数敏感性分析

进行了敏感性分析以确定参数的最佳值。下图展示了在将其他参数固定为表II所示值的情况下，改变其中一个参数所得到的F值。图18显示了改变块长度blol时所得到的F值。当blol = 0.25米时，块间距离必须至少为blod = 0.25米，否则将出现未处理的块。小于0.25米的blol值会产生包含点数过少的过小块。大于2米的值则会产生过大的块，导致生成不可靠的虚拟扫描线。

图19显示了在改变bin的宽度w和生成虚拟扫描线的最大距离d时获得的F值。图20显示了在改变滤波器尺寸m和g时获得的F值。

参数blow被设置为数据集中最大道路宽度。跟踪参数（tral、trat和traa）以及虚线段细化的边距（segr）对结果的影响较小。

VII. 结论

我们提出了一种用于车道标线自动标注的新方法。通过多层激光雷达和里程计数据生成的融合点云，沿车辆轨迹分块进行处理。在每个块生成的虚拟扫描线上，利用自适应阈值、非线性优化的顶帽滤波器以及跟踪机制检测车道标线，并将检测结果连接为三维折线。在最后阶段，估计每条标线的宽度，并将其分类为实线或虚线，以及虚线段端点的纵向位置得到了改善。

我们提出了一种新的方法来评估自动标注的精度。该评估方法测量了线段的横向精度以及虚线段端点的纵向精度。结果表明，在容差分别为5 cm和20 cm的情况下，92%的线段和94%的虚线段被正确检测到。

通过专业人工标注员的协助，对本方法生成的自动标注结果进行了评估，结果显示在大规模数据集的人工标注所需时间上减少了60%。我们的自动化方法的处理时间约为每行驶道路100米耗时4秒。结果表明，所标注的车道标线具有足够的精度，人工标注者几乎无需干预；当提供本方法的结果时，人工标注者仅需一分钟即可完成100米道路的标注。