以 Python 为笔，以OpenCV 为墨，绘就车道线检测新画卷
本文将详细讲解如何用 Python + OpenCV 实现车道线检测的完整流程，包含代码分步解析、核心算法原理说明及实际效果演示。即使是零基础也能跟着操作。
一、车道线检测的核心步骤
读取图像（或视频帧）
预处理（灰度化、高斯模糊）
边缘检测（Canny算法）
区域掩膜（ROI）
霍夫变换检测直线
直线过滤与优化
在原图上绘制车道线
二、代码实现与分步讲解
0. 安装依赖库
1. 导入库
2. 读取图像并显示
3. 预处理（灰度化 + 高斯模糊）
作用：去除噪声，避免后续边缘检测的干扰。
参数说明：
(5,5)：高斯核大小，必须是奇数。0：标准差，0表示自动计算。
4. Canny边缘检测
原理：
像素梯度高于高阈值 → 保留为边缘。
像素梯度在低-高阈值之间 → 仅当连接高阈值像素时保留。
低于低阈值 → 丢弃。
阈值选择技巧：
高阈值 ≈ 2~3倍低阈值。
实际应用中可通过滑动条动态调整（如
cv2.createTrackbar）。
5. 定义感兴趣区域（ROI）
height, width = edges.shape
mask = np.zeros_like(edges)
# 定义多边形顶点坐标（根据图像尺寸调整）
vertices = np.array([[
(0, height), # 左下角
(width // 2 - 50, height // 2 + 50), # 左上方
(width // 2 + 50, height // 2 + 50), # 右上方
(width, height) # 右下角
]], dtype=np.int32)
cv2.fillPoly(mask, vertices, 255) # 将多边形区域填充为白色
masked_edges = cv2.bitwise_and(edges, mask)
plt.imshow(masked_edges, cmap='gray')
plt.show()
作用：只保留车道线可能出现的区域（通常为梯形区域），减少误检。
6. 霍夫变换检测直线
霍夫变换原理：
将图像空间中的直线转换为霍夫空间（参数空间）中的点。通过投票机制找出可能的直线参数（ρ, θ）。
参数调优：
threshold：值越小，检测到的线越多（但也可能包含噪声）。minLineLength：过滤短线段。maxLineGap：允许线段之间的最大间隔，用于合并断裂的线段。
7. 过滤与优化车道线
# 创建空图像用于绘制结果
line_image = np.zeros_like(image)
if lines is not None:
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 5) # 蓝色，线宽5
# 合并原始图像与车道线标记
result = cv2.addWeighted(image, 0.8, line_image, 1.0, 0.0)
plt.imshow(result)
plt.show()
8. 优化思路（进阶）
左右车道线分类：根据线段斜率分为左/右两组（左车道线斜率为负，右为正）。
多项式拟合：使用最小二乘法拟合直线为曲线（更贴近真实车道线）。
滑动窗口法：在视频流中跟踪车道线位置（避免逐帧重新检测）。
三、完整代码整合
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1. 读取图像
image = cv2.imread('road.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 2. 预处理
gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
# 3. Canny边缘检测
edges = cv2.Canny(blur, 50, 150)
# 4. 定义ROI掩膜
height, width = edges.shape
mask = np.zeros_like(edges)
vertices = np.array([[
(0, height),
(width // 2 - 50, height // 2 + 50),
(width // 2 + 50, height // 2 + 50),
(width, height)
]], dtype=np.int32)
cv2.fillPoly(mask, [vertices], 255)
masked_edges = cv2.bitwise_and(edges, mask)
# 5. 霍夫变换检测直线
lines = cv2.HoughLinesP(
masked_edges,
rho=1,
theta=np.pi/180,
threshold=50,
minLineLength=50,
maxLineGap=100
)
# 6. 绘制车道线
line_image = np.zeros_like(image)
if lines is not None:
for line in lines:
x1, y1, x2, y2 = line[0]
cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 5)
# 7. 合并结果
result = cv2.addWeighted(image, 0.8, line_image, 1.0, 0.0)
# 显示所有步骤
plt.figure(figsize=(15, 10))
plt.subplot(231), plt.imshow(image), plt.title('Original')
plt.subplot(232), plt.imshow(blur, cmap='gray'), plt.title('Blur')
plt.subplot(233), plt.imshow(edges, cmap='gray'), plt.title('Edges')
plt.subplot(234), plt.imshow(mask, cmap='gray'), plt.title('Mask')
plt.subplot(235), plt.imshow(masked_edges, cmap='gray'), plt.title('ROI Edges')
plt.subplot(236), plt.imshow(result), plt.title('Final Result')
plt.tight_layout()
plt.show()四、效果改进建议
动态参数调整：使用滑动条实时调节Canny和霍夫变换参数。
颜色过滤：通过HSV色彩空间提取白色/黄色车道线（减少阴影干扰）。
视频处理：逐帧处理视频流，加入车道线跟踪逻辑。
五、常见问题及解决
问题1：检测到大量无关线段。
解决：调整霍夫变换的threshold和minLineLength，或优化ROI顶点坐标。问题2：弯道检测不准确。
解决：改用多项式拟合（如二次曲线）替代直线检测。问题3：夜间或低光照效果差。
解决：增加直方图均衡化（cv2.equalizeHist）或自适应阈值。
通过这个案例，你可以掌握基本的车道线检测方法。下一步可以尝试在视频中实时运行，或结合深度学习模型（如LaneNet）提升鲁棒性！
评论