3. 车道线检测基础：图像预处理、霍夫变换与车道线拟合、逆透视变换
各位同学，大家好。今天我们进入车道保持功能的核心环节——车道线检测。说实话，这是整个系统的“眼睛”，眼睛不好使，后面控制再牛也白搭。我当年刚入行时，就因为在图像预处理上偷了个懒，结果实车测试时车道线识别一塌糊涂，被项目总监叫去“喝茶”……从那以后，我对这步就格外上心。
车道线检测，说白了就是让摄像头看懂路。但摄像头拍到的原始图像，噪声多、光照乱、透视变形严重。所以我们需要一套组合拳：先做图像预处理，再提取线条，最后把图像“拉直”成鸟瞰图。今天我们就一步步拆解这个过程。
3.1 图像预处理：灰度化、滤波、边缘检测
原始图像是彩色的，但颜色信息对车道线检测来说，其实有点“冗余”。你想想看，车道线无非是白色或黄色，我们真正关心的是亮度变化和边缘。所以第一步，把彩色图转成灰度图。
灰度化公式（加权平均法）：
Gray = 0.299 * R + 0.587 * G + 0.114 * B这个权重是模拟人眼对颜色的敏感度。绿色权重最高，因为人眼对绿光最敏感。
灰度化之后，图像里还有很多噪声——路面纹理、阴影、轮胎印。这些都会干扰后续的边缘检测。怎么办？滤波。
我个人习惯用高斯滤波。它像一个“模糊刷”，把每个像素和周围像素做加权平均，噪声就被抹平了。但注意，滤波核不能太大，否则车道线边缘也会被模糊掉。我在项目中一般用 5x5 或 7x7 的核，效果比较平衡。
import cv2
import numpy as np
# 读取图像
img = cv2.imread('road.jpg')
# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯滤波
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
滤波之后，就该边缘检测上场了。这里我们用的是 Canny 边缘检测。它有两个阈值参数：低阈值和高阈值。梯度强度高于高阈值的，肯定是边缘；低于低阈值的，直接丢弃；介于两者之间的，看是否与高阈值边缘相连。
避坑指南：我曾经在一条树影斑驳的路上测试，Canny 阈值设得太低，结果把树叶的影子也当成车道线了。后来我改成自适应阈值，或者根据图像亮度动态调整，效果就好多了。
Canny 边缘检测的典型参数：
edges = cv2.Canny(blurred, 50, 150) # 低阈值50，高阈值150嗯，这里要注意：阈值不是固定的。白天和夜晚、晴天和雨天，最佳阈值都不一样。我建议在代码里留一个可调参数，方便标定。
3.2 霍夫变换与车道线拟合
边缘检测之后，我们得到了一堆“可能是车道线”的像素点。但这些点还是散的，我们需要把它们拟合成直线。霍夫变换就是干这个的。
霍夫变换的原理，说白了就是“投票”。每个边缘点都可以对应无数条直线，但只有真正穿过车道线的那些直线，才会得到大量点的“投票”。我们设定一个阈值，得票高的直线就是我们要找的车道线。
在 OpenCV 中，我们常用的是概率霍夫变换（HoughLinesP）。它比标准霍夫变换更快，而且能直接给出线段的端点坐标。
lines = cv2.HoughLinesP(edges, rho=1, theta=np.pi/180, threshold=50,
minLineLength=100, maxLineGap=50)
参数说明：
| 参数 | 含义 | 典型值 |
|---|---|---|
| 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 |
| minLineLength | 最小线段长度 | 100 |
| maxLineGap | 同一条线上点的最大间隔 | 50 |
霍夫变换检测出来的线段，往往有很多条。我们需要把它们分类成左车道线和右车道线。怎么分？看斜率。
- 左车道线：斜率为负（从左上到右下）
- 右车道线：斜率为正（从左下到右上）
然后，对每一类的线段做最小二乘法拟合，得到一条完整的直线。我习惯用 np.polyfit 来做拟合：
# 假设 left_points 是左车道线上所有点的坐标
left_fit = np.polyfit(left_points[:, 1], left_points[:, 0], 1)
# left_fit[0] 是斜率，left_fit[1] 是截距
拟合出来的直线，我们一般用两个点来表示：图像底部的点和图像中间高度的点。这样方便后续的逆透视变换。
注意：如果某一边检测到的线段太少，或者拟合出来的直线斜率异常（比如接近水平），我建议直接丢弃这一帧的结果，用上一帧的数据做平滑。否则，车道线会跳来跳去，控制模块会疯掉的。
3.3 逆透视变换（IPM）
好了，现在我们在图像上找到了车道线。但问题是，摄像头是斜着看路的，远处的车道线在图像里会变窄、变模糊。这种透视效果，对后续的车道偏离计算非常不利。
逆透视变换（IPM），就是把这个透视图像“拉直”成鸟瞰图。从上方垂直往下看，车道线就是平行的，距离关系也变成线性的了。
IPM 的核心是找一个透视变换矩阵。我们需要在原始图像上选四个点，然后指定它们在鸟瞰图中的位置。这四个点通常选一个矩形区域，比如车辆前方 10 米到 50 米的范围。
# 原始图像上的四个点（梯形）
src_points = np.float32([
[200, 720], # 左下
[600, 720], # 右下
[450, 400], # 右上
[150, 400] # 左上
])
# 鸟瞰图上的四个点（矩形）
dst_points = np.float32([
[200, 720],
[600, 720],
[600, 0],
[200, 0]
])
# 计算透视变换矩阵
M = cv2.getPerspectiveTransform(src_points, dst_points)
# 应用变换
warped = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))
变换之后，车道线在鸟瞰图中就是两条近乎平行的直线了。这时候再做车道偏离判断，就简单多了——看车辆中心到左右车道线的距离就行。
个人经验：IPM 的精度非常依赖标定。我曾经在一条有坡度的路上测试，因为没考虑路面坡度，鸟瞰图里的车道线歪得离谱。后来我加了一个俯仰角补偿，才解决问题。所以，如果你的车在上下坡时车道线检测不准，先检查 IPM 参数。
另外，IPM 之后的图像，远处会被拉伸得很厉害，分辨率下降。所以一般我们只关注车辆前方 30 米以内的区域，再远就不太可靠了。
小结
今天的内容，我们走完了车道线检测的完整流程：
- 灰度化：去掉颜色冗余，保留亮度信息
- 滤波：高斯滤波去噪声，保护边缘
- 边缘检测：Canny 算法提取车道线边缘
- 霍夫变换：从边缘点中投票选出直线
- 车道线拟合：分类、拟合、平滑
- 逆透视变换：把图像拉成鸟瞰图，方便后续计算
每一步都有坑，但每一步也都有成熟的解决方案。下一节课，我们会基于这些检测到的车道线，来做车道偏离预警和车道保持控制。到时候你会发现，前面这些预处理工作做得越扎实，后面的控制就越轻松。
好，今天就到这里。有问题随时交流。