之前學習了乙個非常酷炫的車道線檢測專案：advanced lane finding project
現在寫乙個學習筆記，備註一下，方便以後複習：
專案總體流程如下：
第一步，採用棋盤對相機進行校正：
第二步，對影象進行擷取，由於獲取到的影象中一半為天空及背景：基於這個先驗知識，預先對影象進行擷取，可以為後面更準確定位車道線奠定基礎。
第三步，基於影象的梯度和顏色特徵，定位車道線所在位置
1）梯度資訊：使用了sobelx，sobely，sobelxy，direction四個資訊，保留影象中四個資訊同時滿足：
(35, 100), (30, 255), (30, 255), (0.7, 1.3)的畫素；(180, 255), (10, 100), (0, 60), (85, 255)的畫素：
3）將兩種資訊直接疊加組合起來，就是最終的車道線對應畫素所在位置：
第四步，使用仿射變換，將二值影象轉換成鳥瞰圖（感覺就是從上往下看的俯檢視），這樣做是為了將影象進行拉伸，方便後面的滑窗多項式擬合來對車道線進行精確定位：
第五步，精確定位車道線所在位置
1）定位滑窗左右兩條車道線的搜尋起始點：首先，劃分搜素區域，按照x軸方向將影象一分為二，劃分為左右兩個部分；然後，對二值影象兩個部分在x方向做直方圖統計，定位峰值作為左右兩條車道線的搜尋起點
2）搜尋過程：首先，設定搜尋視窗大小（width和height）；然後，以搜尋起始點作為當前搜尋的基點，並以當前基點為中心，做乙個網格化搜尋，其實就是由初始位置x，width為手工設定，height為大小除以設定搜尋視窗數目計算得到，這裡假設視窗數目為4；其次，對每個搜尋視窗分別做水平和垂直方向直方圖統計（實際實現更加簡單，這裡這樣描述主要是為了方便理解），統計在搜尋框區域內非零畫素個數，並過濾掉非零畫素數目小於50的框；最後，計算非零畫素座標的均值作為當前搜尋框的中心，並對這些中心點做乙個二階的多項式擬合，得到當前搜尋對應的車道線曲線引數。
3）更新搜尋基點：步驟2)中，二階多項式逼近後，會得到乙個曲線方程：
4）優化：如果已經得到10個曲線方程（十個步長中均存在曲線），可以利用之前的引數方程來做乙個平滑處理，具體過程——首先，10個曲線方程中斷開（每三個曲線選取其中兩個）；然後，將曲線方程離散化後的座標點取均值，再做二階多項式逼近。
這裡補充一下，什麼叫曲線方程離散化：例如，已知方程為
補充：作者說，直接對顏色資訊和梯度資訊疊加，會出現檢測結果漂移，因為梯度資訊存在裂縫狀態，導致融合後，檢測得到車道線結果偏離了真實位置：
因此，在計算過程中，對梯度資訊和顏色資訊採取加權平均方式，梯度資訊的權重為0.2，顏色資訊的權重為0.8，這樣就可以得到乙個比較好的結果：
最後，計算車道線曲率及將結果反投影會原圖展示效果就不說了，到這裡，基本就是理解這個工程的全部核心內容了。
表演結束enjoy！！！
車道線檢測之3D車道線檢測
可參考文獻 有相機座標系ccamera和道路座標系croad，作者假定兩個座標系的roll和yaw一致，僅存pitch的差異，那麼，兩座標係之間的轉換關係tc2r將由h cam和camera pitch確定，其中，h cam和camera pitch由模型 輸入為相機採集的影象，輸出分為2部分，第一...
matlab車道線檢測 車道線檢測簡易版
第一次接觸式車道線檢測時嘗試的實現，整理上傳下 1 提取原圖邊緣，可以看出車輛前方的車道線在整個影象下方的梯形區域，提取這個roi 2 在roi區域進行輪廓查詢，按照輪廓周長和面積過濾掉干擾項，最後應該剩下兩條分布在影象中線左右兩側的兩條車道線 3 對左右兩條車道線點集做直線擬合，最後得出兩條車道線...
opencv車道線檢測
二值化 先變化為灰度圖，然後設定閾值直接變成二值化影象。形態學濾波 對二值化影象進行腐蝕，去除噪點，然後對影象進行膨脹，彌補對車道線的腐蝕。邊緣檢測 canny變化 sobel變化和laplacian變化中選擇了效果比較好的canny變化，三者在 中均可以使用，canny變化效果稍微好一點。按鍵控制...