第3章传感器模型

3. 传感器模型：车道线检测原理（视觉）、摄像头模型、传感器噪声建模

各位同学，欢迎来到第三讲。今天咱们聊聊传感器模型。说实话，在ADAS系统里，传感器就是车的眼睛。眼睛不好使，算法再牛也白搭。我当年刚入行时，就吃过这个亏——仿真里跑得飞起，一上路就翻车。后来才明白，问题出在传感器模型太理想化了。

这一章，我会把视觉车道线检测、摄像头模型、噪声建模这三个核心问题讲透。你想想看，如果连传感器都模拟不准，后面的控制算法验证还有什么意义？

核心观点：传感器模型不是越精确越好，而是要在计算效率和保真度之间找到平衡点。仿真验证的目的是暴露问题，不是复现物理世界。

3.1 视觉车道线检测原理

视觉车道线检测，说白了就是让摄像头看懂路面上的线条。我习惯把它拆成三个步骤：图像预处理、特征提取、模型拟合。

3.1.1 图像预处理

摄像头拍到的原始图像，噪声多、光照变化大。直接处理？不现实。我们需要先做几件事：

灰度化：把彩色图转成灰度图，减少计算量。RGB三通道变单通道，速度能快3倍。
高斯滤波：平滑图像，去除高频噪声。我一般用5x5的核，太大容易模糊边缘。
感兴趣区域（ROI）提取：车道线只出现在路面区域，天空、树木都是干扰。直接切掉上半部分，能省一半计算资源。

我的经验：ROI不是死的。车辆颠簸时，地平线会上下跳动。我建议留10%的余量，别切太狠。

3.1.2 特征提取

车道线有什么特征？说白了就是边缘。路面是平的，车道线是凸起的，灰度值突变的地方就是边缘。

我常用Canny边缘检测。它的流程是这样的：

计算梯度幅值和方向（Sobel算子）
非极大值抑制（只保留局部最大值）
双阈值检测（高阈值确定强边缘，低阈值连接弱边缘）

阈值怎么设？我在项目里踩过坑。设高了，虚线车道线断断续续；设低了，路面裂缝都当成车道线。后来我总结了一个经验：高阈值取150-200，低阈值取50-80，具体看光照条件。

3.1.3 模型拟合

边缘检测完了，得到一堆离散点。怎么变成车道线？需要拟合。

弯道用二次曲线，直道用直线。我习惯用最小二乘法：

# 二次曲线拟合示例
import numpy as np

def fit_lane_line(points):
    # points: (x, y) 坐标点集
    x = points[:, 0]
    y = points[:, 1]
    
    # 构造矩阵 A = [x^2, x, 1]
    A = np.vstack([x**2, x, np.ones_like(x)]).T
    # 最小二乘解
    coeffs, _, _, _ = np.linalg.lstsq(A, y, rcond=None)
    return coeffs  # [a, b, c] 对应 y = a*x^2 + b*x + c

注意：实际项目中，车道线可能被遮挡、磨损、或者被其他车辆挡住。我建议加入RANSAC算法，它能剔除异常点，鲁棒性更好。

3.2 摄像头模型

摄像头模型，说白了就是描述「真实世界的点怎么映射到图像上」。我把它分成两部分：内参和外参。

3.2.1 针孔相机模型

这是最基础的模型。想象一个针孔，光线穿过小孔在成像平面上投影。公式很简单：

u = f * X / Z + u0
v = f * Y / Z + v0

其中：

(X, Y, Z) 是相机坐标系下的3D点
(u, v) 是图像坐标系下的像素坐标
f 是焦距
(u0, v0) 是主点坐标（光轴与图像平面的交点）

嗯，这里要注意：真实摄像头有畸变。广角镜头尤其明显，画面边缘会弯曲。我一般用Brown畸变模型来校正：

# 径向畸变校正
x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)

k1, k2, k3 是畸变系数，需要标定得到。我在项目里标定过几十个摄像头，发现k1的影响最大，k3基本可以忽略。

3.2.2 外参模型

外参描述的是摄像头在车上的安装位置和角度。说白了就是旋转和平移。

旋转用欧拉角表示：俯仰角、偏航角、翻滚角。平移就是XYZ偏移。我建议用齐次变换矩阵，方便做坐标变换：

# 齐次变换矩阵 T = [R | t]
# R: 3x3 旋转矩阵
# t: 3x1 平移向量
T = np.array([[R11, R12, R13, tx],
              [R21, R22, R23, ty],
              [R31, R32, R33, tz],
              [0,   0,   0,   1]])

避坑指南：我曾经遇到过摄像头安装松动，导致外参漂移。仿真时一定要加入安装误差模型，否则实车标定会哭。

3.3 传感器噪声建模

传感器噪声，是仿真和实车差距最大的地方。我见过太多人忽略这一步，结果仿真里车道保持稳如老狗，实车却左右摇摆。

3.3.1 噪声来源

噪声主要来自三个方面：

噪声类型	来源	特性
散粒噪声	光子到达的随机性	泊松分布，与信号强度相关
读出噪声	传感器电路	高斯分布，与信号无关
量化噪声	ADC转换	均匀分布，与位数相关

实际项目中，我一般用高斯噪声模型来近似。为什么？因为中心极限定理告诉我们，多个独立噪声叠加后趋近高斯分布。省事，效果也够用。

3.3.2 车道线检测的噪声建模

车道线检测的噪声，主要体现在检测结果的抖动上。我习惯这样建模：

# 车道线检测噪声模型
def add_lane_noise(lane_params, noise_level=0.02):
    """
    lane_params: [a, b, c] 车道线曲线参数
    noise_level: 噪声标准差比例
    """
    noise = np.random.normal(0, noise_level, size=3)
    noisy_params = lane_params * (1 + noise)
    return noisy_params

为什么用乘法噪声？因为车道线越远，检测误差越大。这是透视效应导致的——远处的像素代表更大的物理距离。

关键参数：噪声水平怎么设？我建议参考实际传感器的数据手册。如果没有，可以取2%-5%作为初始值，然后通过实车数据标定。

3.3.3 时间相关性

还有一个容易被忽略的点：噪声不是白噪声，它有时间相关性。为什么？因为相邻帧之间，光照、路面纹理变化不大。

我常用一阶马尔可夫模型来模拟：

# 时间相关噪声
def correlated_noise(prev_noise, rho=0.9, sigma=0.01):
    """
    rho: 相关系数，0-1之间
    sigma: 噪声标准差
    """
    new_noise = rho * prev_noise + np.random.normal(0, sigma)
    return new_noise

rho取0.9时，噪声变化比较平滑，更接近真实情况。rho取0时就是白噪声，适合做最坏情况分析。

3.4 知识体系总览

这一章的内容比较多，我画了一张图帮你理清思路：

这张图把三个模块的关系讲清楚了。车道线检测是算法核心，摄像头模型提供几何映射，噪声建模让仿真更真实。三者缺一不可。

我的建议：刚开始做仿真时，先不加噪声，跑通流程。然后逐步加入噪声，观察控制器的鲁棒性。这样能快速定位问题。

好了，这一章就到这里。传感器模型是仿真验证的基石，花时间把它搞扎实，后面的控制算法才能放心跑。记住一句话：仿真里暴露的问题越多，实车上的惊喜就越少。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3. 传感器模型：车道线检测原理（视觉）、摄像头模型、传感器噪声建模

3.1 视觉车道线检测原理

3.1.1 图像预处理

3.1.2 特征提取

3.1.3 模型拟合

3.2 摄像头模型

3.2.1 针孔相机模型

3.2.2 外参模型

3.3 传感器噪声建模

3.3.1 噪声来源

3.3.2 车道线检测的噪声建模

3.3.3 时间相关性

3.4 知识体系总览