3、车道线检测基础（视觉篇）
各位同学，欢迎来到视觉检测的第一课。说实话，车道线检测是整个自动驾驶感知里最“接地气”的活儿。你想想看，车要跑，首先得知道路在哪。而视觉方案，说白了就是用摄像头模拟人眼，从图像里把车道线给“抠”出来。
这一章我会带你走完一套经典的视觉检测流水线：从原始图像到最终的车道线参数。我个人习惯把这套流程叫做“图像净化三部曲”加上“几何变换两板斧”。咱们一步步来。
3.1 图像预处理：把“脏活”干漂亮
摄像头采集的原始图像，直接拿来用是不行的。光照、噪声、路面纹理，全是干扰。预处理的目的就一个：去芜存菁。
3.1.1 灰度化
为什么要把彩色图变成灰度图？因为颜色信息在车道线检测里，大部分时候是冗余的。你关心的只是亮度变化，而不是颜色本身。彩色图三个通道，灰度图一个通道，计算量直接降到三分之一。
我在项目中遇到过一个问题：黄色车道线在蓝色天空背景下，用RGB三个通道分别处理，反而容易把天空误检成车道线。灰度化之后，亮度对比度反而更清晰了。
常用的灰度化公式是加权平均法：
Gray = 0.299 * R + 0.587 * G + 0.114 * B嗯，这个权重是模拟人眼对亮度的敏感度。绿色权重最高，因为人眼对绿光最敏感。
cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 就行。注意OpenCV默认是BGR顺序，别搞反了。
3.1.2 高斯滤波
灰度化之后，图像里还有噪声。比如摄像头传感器的高频噪声、路面上的小石子。这些噪声在后续的边缘检测里会被放大，造成大量假边缘。
高斯滤波就是用来平滑图像的。它用一个高斯核去卷积图像，每个像素的值被周围像素的加权平均替代。权重由高斯分布决定，离中心越近，权重越大。
kernel_size = (5, 5)
sigma = 1.0
blurred = cv2.GaussianBlur(gray, kernel_size, sigma)核大小和sigma怎么选？我建议你从(5,5)开始试。核太小，去噪效果差；核太大，边缘也会被模糊掉。我曾经在一条磨损严重的车道线上吃过亏，用了(9,9)的核，结果车道线边缘直接糊了，Canny检测出来断断续续的。
3.1.3 Canny边缘检测
好了，图像干净了。现在我们要找边缘。边缘就是图像中亮度变化剧烈的地方。车道线相对于路面，正好是这种变化。
Canny边缘检测是业界标准。它分四步：
- 高斯滤波（我们已经做了）
- 计算梯度幅值和方向（用Sobel算子）
- 非极大值抑制（只保留梯度方向上的局部最大值）
- 双阈值检测（高阈值确定强边缘，低阈值连接弱边缘）
双阈值是关键。我见过很多新手把阈值设得太高，结果车道线断成一段一段的。或者设得太低，路面裂缝全被当成车道线。
low_threshold = 50
high_threshold = 150
edges = cv2.Canny(blurred, low_threshold, high_threshold)我个人习惯用 low:high = 1:3 的比例。比如低阈值50，高阈值150。然后根据实际效果微调。记住，高阈值决定了你能看到多少“强”边缘。
3.2 霍夫变换与滑动窗口
边缘检测之后，我们得到的是二值图像，里面全是白色像素点。但这些点哪些属于车道线？我们需要把它们“连”成线。
3.2.1 霍夫变换
霍夫变换的原理很简单：把图像空间中的点，映射到参数空间中的曲线。在图像空间中，一条直线由斜率和截距决定。但在参数空间中，我们用极坐标表示：ρ = x*cosθ + y*sinθ。
每个边缘点对应参数空间中的一条正弦曲线。多条曲线相交的点，就对应图像空间中的一条直线。
lines = cv2.HoughLinesP(edges, rho=1, theta=np.pi/180, threshold=50, minLineLength=100, maxLineGap=50)参数说明：
| 参数 | 含义 | 建议值 |
|---|---|---|
| rho | 距离分辨率（像素） | 1 |
| theta | 角度分辨率（弧度） | π/180 |
| threshold | 投票阈值 | 50-100 |
| minLineLength | 最小线段长度 | 100 |
| maxLineGap | 同一条线上点的最大间隔 | 50 |
霍夫变换的缺点也很明显：它只能检测直线。对于弯道，你需要分段处理，或者用滑动窗口。
3.2.2 滑动窗口
滑动窗口是处理弯道的利器。它的思路是：从图像底部开始，用一个固定宽度的窗口，统计窗口内白色像素点的数量。如果数量超过阈值，就认为窗口中心是车道线的一部分。然后窗口向上滑动，继续搜索。
说白了，就是“跟着像素走”。
def sliding_window(binary_warped):
# 统计图像下半部分的像素分布
histogram = np.sum(binary_warped[binary_warped.shape[0]//2:,:], axis=0)
# 找到左右车道线的起始点
midpoint = histogram.shape[0] // 2
leftx_base = np.argmax(histogram[:midpoint])
rightx_base = np.argmax(histogram[midpoint:]) + midpoint
# ... 后续窗口迭代
return left_fit, right_fit我在项目中遇到过一个问题：当车道线不连续时，滑动窗口会跟丢。后来我加了一个“记忆机制”，用上一帧的拟合结果作为当前帧的搜索起点，效果好了很多。
3.3 逆透视变换（IPM）
终于到了最关键的一步。摄像头拍到的图像是透视投影，近大远小。车道线在图像中会汇聚到消失点。这种透视效果对后续的曲率计算和车辆控制非常不友好。
逆透视变换（IPM）就是要把图像“拉直”，变成鸟瞰图。这样车道线就变成平行的了，曲率计算也简单了。
IPM的核心是找到透视变换矩阵。你需要知道摄像头的内参（焦距、主点）和外参（俯仰角、偏航角、高度）。如果没有这些参数，也可以手动选取四个点来估算。
# 手动选取源点和目标点
src = np.float32([[200, 720], [1100, 720], [595, 450], [685, 450]])
dst = np.float32([[300, 720], [980, 720], [300, 0], [980, 0]])
# 计算变换矩阵
M = cv2.getPerspectiveTransform(src, dst)
# 执行变换
warped = cv2.warpPerspective(img, M, (1280, 720), flags=cv2.INTER_LINEAR)源点的选取很关键。我建议你选一个直道场景，在图像中画一个梯形，梯形上边对应远处的车道线，下边对应近处的车道线。目标点是一个矩形，代表鸟瞰图中的车道线位置。
好了，这一章的内容就到这里。从灰度化到Canny边缘检测，从霍夫变换到滑动窗口，再到逆透视变换，你已经掌握了视觉车道线检测的完整流程。下一章我们会把这些技术整合起来，实现一个完整的车道线检测系统。
记住，理论是基础，但真正的坑都在实践中。多动手，多调试，你也能成为车道线检测的老司机。