3. 车道线检测算法基础：图像预处理与直线检测
各位同学，今天我们进入车道线检测的核心环节。说实话，这部分内容我做了不下上百次实验，踩过的坑比你们想象的多得多。但别担心，我会把那些血泪教训都揉碎了讲给你们听。
车道线检测，说白了就是让摄像头“看懂”路面上的白线或黄线。但摄像头拍到的原始图像，嗯，那叫一个乱——有阴影、有反光、有路面纹理，甚至还有前车的影子。所以，我们得先做图像预处理，把有用的信息提取出来。
3.1 图像灰度化：去掉颜色干扰
为什么要把彩色图变成灰度图？我个人习惯是：颜色信息在车道线检测中其实用处不大。你想想看，车道线无非是白色或黄色，但路面颜色千变万化，反而容易干扰算法。
灰度化的公式很简单：
Gray = 0.299 * R + 0.587 * G + 0.114 * B这个公式模拟了人眼对亮度的感知。绿色权重最高，因为人眼对绿色最敏感。我在项目中遇到过一个问题：有些摄像头对红色通道特别敏感，导致灰度图偏亮。后来我调整了权重系数，才解决了这个问题。
3.2 高斯滤波：去除噪声
图像噪声是绕不开的坎。摄像头传感器本身就有热噪声，再加上路面颠簸、光照变化，噪声无处不在。高斯滤波就是用来平滑图像、去除噪声的。
它的原理很简单：用一个高斯核（比如3x3或5x5的矩阵）去卷积图像。每个像素的值被替换为它周围像素的加权平均值，权重由高斯分布决定。
// 5x5高斯核示例
1/273 * [
1, 4, 7, 4, 1,
4, 16, 26, 16, 4,
7, 26, 41, 26, 7,
4, 16, 26, 16, 4,
1, 4, 7, 4, 1
]我曾经在一条乡间小路上测试算法，结果发现车道线边缘全被模糊掉了。后来才意识到，高斯核选太大了。对于车道线这种细长结构，3x3的核就够用了，5x5反而会丢失细节。
3.3 Canny边缘检测：找到边界
好了，现在图像干净了，接下来要找到车道线的边缘。Canny边缘检测是我最常用的方法，没有之一。它分四步走：
- 计算梯度：用Sobel算子算出每个像素的梯度强度和方向。
- 非极大值抑制：只保留梯度方向上的局部最大值，把其他像素置零。
- 双阈值检测：设定高阈值和低阈值，高于高阈值的保留，低于低阈值的丢弃，介于两者之间的看是否与高阈值像素相连。
- 边缘连接：把断开的边缘连起来。
这里有个坑，我踩过好几次：双阈值的设定。高阈值太高，车道线边缘会断断续续；低阈值太低，又会引入大量噪声。我的经验是：高阈值取150-200，低阈值取50-80，具体数值要根据实际场景微调。
// OpenCV中的Canny调用示例
cv::Mat edges;
cv::Canny(gray_img, edges, 150, 80, 3);3.4 霍夫变换直线检测：从点到线
边缘检测之后，我们得到了一堆像素点。但这些点怎么变成直线呢？霍夫变换就是干这个的。
它的思想很巧妙：把图像空间中的点，映射到参数空间中的曲线。在参数空间中，如果多条曲线交于一点，就说明这些点在图像空间中位于同一条直线上。
常用的霍夫变换有两种：
| 类型 | 参数空间 | 适用场景 |
|---|---|---|
| 标准霍夫变换 | (ρ, θ) | 检测完整直线 |
| 概率霍夫变换 | (ρ, θ) + 线段端点 | 检测线段，速度快 |
我个人更推荐概率霍夫变换。为什么？因为它只随机采样一部分点，计算量小，而且直接输出线段端点，省去了后续的线段提取步骤。
// 概率霍夫变换示例
std::vector<cv::Vec4i> lines;
cv::HoughLinesP(edges, lines, 1, CV_PI/180, 50, 30, 10);参数说明：
rho：距离分辨率，一般取1像素theta：角度分辨率，一般取1度（即π/180）threshold：累加器阈值，值越大，检测到的直线越少但越可靠minLineLength：最小线段长度，太短的线段可能是噪声maxLineGap：同一条直线上两点之间的最大间隔
3.5 车道线拟合：最小二乘法
霍夫变换检测到的直线，往往有多条。我们需要从中筛选出左右两条车道线，然后用最小二乘法拟合出它们的方程。
最小二乘法的原理很简单：找到一条直线，使得所有点到这条直线的垂直距离的平方和最小。数学上，就是求解一个线性方程组。
// 最小二乘法拟合直线
// 输入：点集 (x_i, y_i)
// 输出：斜率 k 和截距 b
double sum_x = 0, sum_y = 0, sum_xy = 0, sum_x2 = 0;
int n = points.size();
for (int i = 0; i < n; i++) {
sum_x += points[i].x;
sum_y += points[i].y;
sum_xy += points[i].x * points[i].y;
sum_x2 += points[i].x * points[i].x;
}
double k = (n * sum_xy - sum_x * sum_y) / (n * sum_x2 - sum_x * sum_x);
double b = (sum_y - k * sum_x) / n;这里有个细节：车道线在图像中通常是斜的，而且越靠近车头越宽。所以，我建议只取图像下半部分的点进行拟合，上半部分的点（比如远处的车道线）误差太大，反而会拉偏拟合结果。
3.6 完整流程总结
好了，我们把整个流程串起来：
- 读取摄像头图像
- 灰度化：去掉颜色信息
- 高斯滤波：去除噪声
- Canny边缘检测：提取边缘
- 霍夫变换：检测直线
- 筛选左右车道线：根据斜率和位置
- 最小二乘法拟合：得到车道线方程
这个流程看起来简单，但每个环节都有坑。我建议你们先在离线数据集上跑通，再移植到嵌入式平台上。嗯，说到嵌入式平台，下一章我会讲如何在资源受限的MCU上优化这些算法，敬请期待。