赛题简介：介绍整个赛题的实现目标、实用价值、涉及技术和整体要求

自动驾驶近年来受到了世界各国的高度关注。自动驾驶汽车的目标是帮助驾驶员识别驾驶风险，并确保车内驾驶员和乘客的安全和舒适。高级驾驶辅助系统（ADAS）是自动驾驶汽车的重要系统之一。自适应巡航控制、自动转向、车道线保持、盲点辅助、车道线检测等，都是ADAS的典型代表。
车道线检测是一种自动检测道路标注的技术，以确保车辆保持在指定的车道线上，不与其它车道线上的车辆发生碰撞。因此，准确的车道线检测允许自动驾驶车辆对其位置和状态做出决策和判断，并确保安全驾驶。
本题目要求参赛人员基于深度神经网络模型，实现在真实道路场景下的车道线检测以及在真实车道线部分缺失的情况下实现自动计算并补全车道线，以供自动驾驶车辆进行判断。
 

赛题业务场景：描述赛题相关的真实企业业务背景。从真实场景中，适当简化或者提炼出适合比赛的赛题场景

高级驾驶辅助系统（ADAS）是自动驾驶汽车的重要系统之一。ADAS的典型代表包括：自适应巡航、自动刹车/转向、车道线保持、盲点辅助、车道线偏离警告系统和车道线检测。
车道线检测在是自动驾驶的一个基础模块，可用于车道保持、自适应巡航、自动变道。另外，对于全自动驾驶汽车后续的车道偏离或轨迹规划决策也具有重要作用。
在自动驾驶场景中，本题要求针对汽车行驶中摄像头采集的实时路况图像，实现车道线快速检测与增强。
 

基本功能需求

1、数据集处理
根据本赛题提供的数据集：
A:（训练集：500张含标签的车道线图像；测试集：100张含标签的车道线图像。图像大小为3384*1710），将数据集中的图片进行裁剪和缩放，以适配模型。
B:（训练集：250张含标签的车道线图像（图像中部分车道线不清晰/被遮盖）；测试集：50张含标签的车道线图像。图像大小为3384*1710），将数据集中的图片进行处理以准确识别车道线并且将图像中车道线缺失/被遮盖的部分补全
2、车道线自动检测与增强
此模块要求使用处理后的数据集训练车道线检测模型（可以选择开源深度学习模型，也可以自行搭建模型），最终模型能够自动检测出赛题所提供的测试集图像中的车道线，最终评价参数包括：车道线检测准确性指标，其中TP表示True Positive，FP表示False Positive，FN表示False Negative。
 

非功能性需求

1、程序源码要求结构清晰，模块区分较为明确，提供（非必需）便于读者阅读的源码指南，及项目使用文档。
2、使用人工智能领域深度学习技术进行实现，提供车道线检测模型。
 

实现条件：开发环境、实验平台、开发语言、数据库、编译器、涉及硬件等

1、操作系统可选Windows、Linux。
2、开发语言不限（推荐使用Python3）。
3、推荐使用已有的开源深度学习模型。
4、请标注系统中哪些部分使用了开源代码、模型及出处
 

测试数据或平台：提供给参赛者的测试环境和测试数据。

提供的数据集（数据集A：训练集：500张含标签的车道线图像；测试集：100含标签的车道线图像。数据集B：训练集：250张含标签的车道线图像；测试集：50含标签的车道线图像）（将于近期公布）

数据下载：软件杯大赛数据集
 

开发所需设备及设备指标需求说明

推荐使用主流配置（i5及以上）电脑即可。
 

文档及其他要求

提交文档，包括方法、流程、结果和结论。所调用的模型和模型参数，需要截图并详细介绍。提供完整的项目文件和源代码
 

各评分项及大致占比

评分要点：
1、代码整洁度、完整度、可运行，结果可复现5%；
2、有效的数据处理过程5%；
3、有效的模型训练过程10%；
4、车道线检测准确性指标平均交并比；
5、车道线补全准确性指标平均交并比；
 

初赛作品提交要求
 

1、源文件（源文件格式为压缩包，应包括所有项目代码及依赖库列表。注：请将数据预处理部分的代码和模型训练部分的代码分别单独放在py文件内，以作为评分要点2、3的参考标准。）
2、项目文档（项目文档需要对以下几个方面进行说明 ：（1）代码工程目录结构（2）代码文件所对应的功能）
3、 结果展示PPT（PPT中应包含每个代码文件的运行结果截图）
4、演示视频（7分钟内）