4、车道线检测方法：基于颜色阈值、Canny边缘检测与霍夫变换提取车道线的完整流程
在无人车视觉感知系统中，车道线检测是路径规划与车辆控制的基础输入。对于教学项目而言，我们通常采用传统计算机视觉方法而非深度学习方案，原因在于其计算开销低、可解释性强、便于学生理解从像素到语义的完整映射链路。本章将系统拆解“颜色阈值筛选 → Canny边缘检测 → 感兴趣区域（ROI）裁剪 → 霍夫变换直线拟合 → 车道线绘制与输出”的完整流程，并给出可直接落地的参数配置与工程实现要点。
4.1 核心原理：从像素到直线的三层抽象
车道线检测的本质是将图像中的二维像素信息转化为具有几何意义的直线参数。整个流程基于三个核心假设：车道线具有显著的颜色特征（白色或黄色）、车道线与路面存在灰度梯度差异（可被边缘检测捕捉）、车道线在图像平面中近似为直线（在短距离内成立）。颜色阈值负责粗粒度筛选，Canny边缘检测负责精确定位边界，霍夫变换则完成从边缘点到直线参数的映射。
颜色阈值方法利用了HLS或HSV颜色空间对光照变化的鲁棒性。与RGB空间不同，HLS将亮度（L通道）与色度（H通道）、饱和度（S通道）分离，使得我们可以独立控制亮度范围与颜色范围。对于白色车道线，其特点是高亮度、低饱和度；对于黄色车道线，其特点是色相集中在特定区间且饱和度较高。通过组合多个通道的阈值条件，可以构建一个二值掩膜，将车道线像素从复杂背景中分离出来。
Canny边缘检测则从另一个维度补充信息。即使颜色阈值未能完全覆盖所有车道线像素（例如磨损严重或阴影遮挡），边缘检测仍能捕捉到车道线与路面之间的灰度跳变。Canny算法的核心步骤包括：高斯滤波降噪、Sobel算子计算梯度幅值与方向、非极大值抑制细化边缘、双阈值连接边缘。其中双阈值策略是关键——高阈值确定强边缘，低阈值保留弱边缘，且只有与强边缘相连的弱边缘才被保留，这有效抑制了噪声产生的孤立边缘。
霍夫变换将边缘图像中的每个像素点映射到参数空间（ρ-θ空间），其中ρ表示直线到原点的距离，θ表示直线法线与x轴的夹角。图像空间中的一条直线对应参数空间中的一个点，而图像空间中的一个点对应参数空间中的一条正弦曲线。通过累加器统计交点，可以找出共线的像素点集合，从而恢复直线参数。对于车道线检测，我们通常使用概率霍夫变换（HoughLinesP），它直接输出线段端点，而非无限长直线，更适合后续处理。
4.2 操作流程：五步构建车道线提取管线
完整的车道线检测流程可以拆解为五个步骤，每一步的输出作为下一步的输入。以下给出基于OpenCV的Python实现框架，并标注关键参数。
| 步骤 | 操作 | 关键参数/函数 | 输出 |
|---|---|---|---|
| 1 | 颜色阈值分割 | cv2.cvtColor(BGR2HLS)；cv2.inRange() | 二值掩膜（白色+黄色） |
| 2 | Canny边缘检测 | cv2.GaussianBlur(5×5)；cv2.Canny(50,150) | 边缘二值图 |
| 3 | ROI区域裁剪 | cv2.fillPoly() + cv2.bitwise_and() | 仅含路面区域的边缘图 |
| 4 | 霍夫变换直线检测 | cv2.HoughLinesP(rho=1, theta=π/180, threshold=50) | 线段端点列表 |
| 5 | 聚类与拟合绘制 | 斜率分组 + np.polyfit() + cv2.line() | 车道线叠加图像 |
在颜色阈值步骤中，需要分别处理白色与黄色车道线。对于白色，使用 L通道 > 180 且 S通道 < 60；对于黄色，使用 H通道 15~35 且 S通道 > 80 且 L通道 > 100。将两个掩膜通过 cv2.bitwise_or() 合并，得到完整的车道线候选区域。值得注意的是，颜色阈值的结果可以直接作为后续Canny的输入，也可以与Canny结果进行 bitwise_and 融合，以增强鲁棒性。
ROI裁剪是减少计算量、消除干扰的关键步骤。在无人车前置摄像头画面中，车道线通常出现在图像下半部分的梯形区域内。我们定义一个由四个顶点构成的梯形多边形，顶点坐标基于图像尺寸归一化设置。例如对于640×480的图像，梯形顶点可设为：左下(100,480)、右下(540,480)、右上(430,300)、左上(210,300)。使用 cv2.fillPoly() 生成掩膜，再与边缘图进行 bitwise_and 操作。
霍夫变换的参数需要根据实际场景调整。threshold 表示累加器阈值，值越小检测到的线段越多但噪声也越多；minLineLength 过滤过短的线段；maxLineGap 允许同一直线上线段之间的最大间隙。对于教学项目，建议初始值设为 threshold=50, minLineLength=40, maxLineGap=20，然后根据检测效果微调。
4.3 实战案例：校园道路车道线检测调优
在某高校无人车教学项目中，学生团队使用车载摄像头采集了一段约200米长的校园道路视频，路面为沥青材质，车道线为白色虚线，部分路段存在黄色实线。初始使用默认参数运行检测管线，发现以下问题：白色虚线的检测断断续续，路面裂缝被误检为车道线，弯道处车道线拟合偏差较大。
针对第一个问题，团队检查了颜色阈值输出，发现白色虚线的L通道值在160~200之间波动，而初始阈值设为 L > 180，导致部分较暗的虚线像素被过滤。解决方案是将L通道阈值下调至 L > 160，同时增加S通道上限至 S < 80，以避免将浅色路面误判为白色。调整后，白色虚线的召回率从72%提升至91%。
针对路面裂缝误检问题，团队分析了Canny边缘图，发现裂缝产生的边缘通常较短且方向杂乱，而车道线边缘具有明确的方向一致性。解决方案是在霍夫变换后增加斜率过滤：计算每条线段的斜率，保留斜率值在0.3~3.0之间的线段（对应约18°~72°的倾斜角），剔除水平方向（斜率接近0）和垂直方向（斜率极大）的噪声线段。同时将 minLineLength 从40提升至60，进一步过滤短小边缘。
弯道拟合偏差问题则源于直线模型本身的局限。团队采用分段拟合策略：将ROI区域在垂直方向分为上下两段，分别进行霍夫变换和直线拟合，然后计算两段直线的交点作为弯道参考点。虽然这仍是直线近似，但分段后能更好地逼近弯道曲率。实测在曲率半径约50米的弯道上，分段拟合的横向偏差从35厘米降低至12厘米，满足教学项目的控制精度要求。
调优经验总结：车道线检测的参数调优应遵循“先粗后细、分步验证”的原则。每次只调整一个参数，观察其对输出图像的影响。建议在调试时同时显示中间结果（颜色掩膜、边缘图、ROI裁剪图、霍夫线段图），以便快速定位问题环节。此外，不同光照条件下（晴天、阴天、逆光）参数可能需要动态调整，教学项目中可预设多组参数并手动切换。
4.4 常见误区与工程复盘
在车道线检测的教学实践中，学生常犯的错误集中在以下几个方面。第一个误区是盲目追求高阈值。有些学生为了提高检测精度，将Canny高阈值设为300甚至更高，结果导致大量真实边缘被过滤，车道线出现断裂。实际上，Canny阈值应根据图像的梯度分布动态选择，OpenCV提供了 cv2.Canny() 的自动阈值版本，但教学项目中建议手动设置并理解其含义。经验法则是：高阈值设为低阈值的2~3倍，低阈值约为图像梯度直方图峰值的30%~50%。
第二个误区是忽略颜色空间的选择。直接在RGB空间做阈值分割对光照极其敏感，同一段路面在阴影下与阳光下RGB值差异巨大。必须转换到HLS或HSV空间，并优先使用L通道（亮度）和S通道（饱和度）的组合。对于黄色车道线，H通道的阈值范围需要根据具体黄色色相调整，不同国家的交通标线黄色色相略有差异，建议在项目初期采集样本进行直方图分析。
第三个误区是ROI区域设置不当。有些学生将ROI设置得过大，包含了天空、树木、护栏等干扰物；有些则设置得过小，导致弯道处车道线超出ROI边界。正确的做法是：ROI底部应与图像底部对齐，顶部应覆盖车道线消失点附近，左右边界应略宽于车道线可能出现的最大横向范围。对于固定安装的摄像头，ROI可以一次性标定；对于颠簸路面，可适当扩大ROI以容忍车辆俯仰角变化。
风险提示：霍夫变换检测到的线段可能存在重复或交叉，直接绘制会导致车道线显示混乱。建议在聚类步骤中，根据线段斜率和截距进行分组：斜率为负的线段归为左车道线候选，斜率为正的归为右车道线候选（注意图像坐标系y轴向下）。然后对每组线段使用最小二乘法拟合一条直线，并计算拟合残差。若残差过大，说明该组线段可能包含噪声或弯道，需要进一步分段处理。
最后，关于性能优化。在树莓派或Jetson Nano等嵌入式平台上运行该管线时，建议将图像分辨率降至320×240，并将Canny边缘检测的Sobel算子改为Scharr算子以提升速度。同时，ROI裁剪应在颜色阈值之前进行，这样可以减少后续步骤的计算量。实测在树莓派4B上，优化后的管线处理一帧图像的时间从85毫秒降至42毫秒，满足10FPS的实时性要求。
总结而言，基于颜色阈值、Canny边缘检测与霍夫变换的车道线检测方法，虽然不如深度学习方法适应复杂场景，但其计算效率高、可解释性强、易于调试，非常适合作为无人车教学项目的入门模块。掌握该流程后，学生可以进一步扩展至车道偏离预警、弯道曲率估计等高级功能。