第一，缺乏对车道线统一且有效的表示方式。针对不同场景的不同需求，车道线的表示方式多种多样，如关键点、线掩码、线标记、网格等（如图 1(a)所示），这导致很难构造统一方式刻画车道线。
第二，缺少对道路场景与车道线之间结构关系的利用。如图 1(b)所示，道路场景存在丰富的结构化信息（如车道线之间的平行关系、消失点的位置等），这些信息对于车道线的检测很有帮助，但是目前的方法无法高效地利用这些信息。
第三，很难扩展到车道线的其他属性，例如区分车道线实例、预测车道线类型等（如图 1(c)所示）。这些属性同等重要，但目前方法难以进行高效扩展，以满足实际应用的需要。
，其中
，其中P是贯穿图片长度H的关键点的数目。相应地，这些点的x坐标集合为
。中心线L_center可以使用直线的一般式表示为：
。当中心线上一个点的y坐标是y_i时，相应的 x 坐标为：
。容易得到，车道线实例L_Lane与中心线L_center在x上的偏移量
为：
，可以方便地表征车道线实例L_Lane。
，本文提出了一种消失点引导的锚 (anchor) 生成机制。其中，消失点代表着道路的尽头，同时也是不同车道线在远处的 “虚拟” 交点，车道线必会经过消失点，因此从消失点发出的稠密射线理论上可以覆盖所有车道线。基于这个思路，相比于常规的物体检测，可以将 anchor 的搜索空间从
转换到
，其中
代表在一个特征点的 anchor 数目。
的矩形区域，每隔
个像素进行基于点的 anchor 生成。如图 4 所示，在消失点（图中黑圆点）及其周围区域（图 4 中灰圆点）生成 anchor，anchor 生成过程中，针对每个点，每隔
角度，生成一个 anchor，角度范围是[0,180]。
，在鸟瞰图中不同的
保持平行关系。因此，对于一张图片中的两个车道线实例
，通过H矩阵将其投射到鸟瞰图视角下，得到相应的
。这两个车道线实例可以基于以下的线性表达式进行表示：
。扩展到所有的车道线实例，可以得到车道线级别约束的损失函数，如下：
代表归一化到[0,1]。
