车道线检测传统方法笔记

车道线检测是自动驾驶中的一个基础模块，车道保持，自适应巡航，自动变道；对于全自动驾驶汽车后续的车道偏离或轨迹规划决策也很重要。

目前车道线检测主要有两种方案：传统方法与深度学习。

1.传统方法

（1）边缘检测+霍夫变换
方法流程：彩色图像转灰度->模糊处理->边缘检测->霍夫变换
这种方法一般能够检测出简单场景下的车辆目前行驶的两条车道线，以及偶尔的相邻车道（依赖前视相机的角度）。该方法可以利用霍夫变换的结果（线的斜率），进一步过滤出左右车道线。不过同时，该方法也依赖于边缘检测的结果，所以调参（边缘检测、霍夫变换）以及其他的trick（ROI选取等）很重要。

（2）颜色阈值
方法流程：将图像转颜色空间（一般HSV），对新的color space中的各个通道设置阈值（大于阈值取值为1，小于取值为0），得到结果。
该方法依赖于各通道的阈值的选取，只需要调整几个阈值参数，但有时候鲁棒性会较差，例如当前车辆前方的车辆可能会被全部置1。

（3）透视变换（应用与交通拥挤，部分车道缺失较好。）
方法流程：获取透视变换矩阵->透视变换->车道线检测
该方法的优点是将前视摄像头抓拍的图像转为鸟瞰图，能够检测到多条线。其关键在于透视变换矩阵的准确性（不考虑转换后的车道线检测），对于转换后的鸟瞰图，可以通过上述两种方式检测车道线。

 

边缘检测、k-Means、高斯概率模型

（1）Udacity车道线检测

    相机标定、openCV

原因：sensor制造误差、非线性径向畸变、切向畸变

ROI选取，图像透视变换，把图像转换为俯视图
二值化并且找到车道线

 

滑动窗口与多项式拟合

最小二乘法拟合中心点形成车道线

（2）基于投影的车道线检测

 图片标定、ROI透视

2.1原图：

 2.2 二值化：

 2.3 把二值化的点投影到横坐标上

 2.4 选取对应的最大值：

  2.5  Ransac（随机抽样一致性算法）多项式拟合附近的点

2.6 结果：投影回原图效果

在实际场景中，传统方法的鲁棒性不好，除去光照和邻近车辆的影响外，车道中间的指示箭头和人行道也是此类算法很难处理的挑战。

边缘检测算法还包括 Sobel 算子、Candy 算子和 Roberts 算子

Reference:

1.车道线检测传统方法&深度学习方法概览+两篇论文领读LaneATT+LaneNet

2.计算机视觉基础——相机标定

3.最详细、最完整的相机标定讲解

4.车道线检测（Finding Lane Lines）

5.OpenCV | Real Time Road Lane Detection

6.第七十篇：从ADAS到自动驾驶（三）：车道检测

7. python数字图像处理（18）：高级形态学处理 （剔除车道线感兴趣区小面积杂物）