📚 课程目录第3章赛道识别入门

3、赛道识别入门：如何从图像中提取赛道区域，常见赛道颜色（白、黄、红）的阈值分割方法

无人车视觉巡线的第一步，也是最关键的一步，是从摄像头采集的原始图像中准确提取出赛道区域。无论是循迹竞速、物流配送还是教学实训，赛道识别的质量直接决定了后续速度控制与路径纠偏的成败。如果赛道区域提取错误，再优秀的控制算法也无济于事。本章将聚焦于赛道识别的入门核心——基于颜色阈值的分割方法，深入剖析白色、黄色、红色三种常见赛道颜色的提取原理、操作流程与实战调优技巧。

3.1 核心原理：为什么选择颜色阈值分割

赛道识别的本质是将图像中的像素划分为"赛道"与"非赛道"两类。在无人车视觉系统中，摄像头采集的图像通常为RGB（或BGR）格式，每个像素由红、绿、蓝三个通道的亮度值组成。然而，RGB空间对光照变化极为敏感——同一段白色赛道在强光下可能呈现为(250, 250, 250)，在阴影中则可能降为(180, 180, 180)，这给固定阈值分割带来了巨大挑战。

因此，工程实践中更推荐将图像转换到HSV（色相Hue、饱和度Saturation、明度Value）或LAB（亮度L、绿红通道A、蓝黄通道B）颜色空间后再进行阈值分割。HSV空间将颜色信息（H）与亮度信息（V）分离，使得我们可以仅依靠色相和饱和度来识别彩色赛道（如黄色、红色），而用明度通道识别白色赛道，从而大幅提升分割的鲁棒性。下表对比了三种常见颜色空间的适用场景：

颜色空间	通道含义	适用赛道颜色	优点	缺点
RGB/BGR	红、绿、蓝亮度	纯色、光照稳定	无需转换，计算快	光照敏感，通道耦合
HSV	色相、饱和度、明度	黄、红等彩色赛道	颜色与亮度分离，抗光照	H通道在0/180处环形
LAB	亮度、绿红、蓝黄	白色赛道、复杂光照	L通道独立，均匀感知	转换计算量稍大

3.2 判断方法与操作流程：从像素到赛道掩码

基于颜色阈值的赛道提取流程可以归纳为四个标准步骤：图像预处理 → 颜色空间转换 → 阈值分割 → 后处理优化。下面以OpenCV（Python）为例，详细拆解每一步的具体操作。

步骤一：图像预处理

原始图像往往包含噪声和细节干扰，直接进行阈值分割会产生大量孤立噪点。首先使用高斯模糊去除高频噪声，核大小通常取(5,5)或(7,7)。对于运动中的无人车，模糊还能减少振动带来的像素抖动。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('track.jpg')
# 高斯模糊，去除噪声
blurred = cv2.GaussianBlur(img, (5, 5), 0)

步骤二：颜色空间转换

将BGR图像转换为HSV空间。OpenCV中cv2.cvtColor函数完成此操作。注意OpenCV的H通道范围为0~180，而标准HSV的H范围为0~360，这是为了适配8位无符号整数存储。

hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)

步骤三：阈值分割

使用cv2.inRange函数，根据赛道颜色设定HSV下界和上界，生成二值掩码。白色、黄色、红色的典型阈值范围如下表所示：

赛道颜色	H 下界	H 上界	S 下界	S 上界	V 下界	V 上界
白色	0	180	0	40	200	255
黄色	20	35	80	255	100	255
红色（低H段）	0	10	100	255	80	255
红色（高H段）	170	180	100	255	80	255

# 白色赛道掩码
lower_white = np.array([0, 0, 200])
upper_white = np.array([180, 40, 255])
mask_white = cv2.inRange(hsv, lower_white, upper_white)

# 黄色赛道掩码
lower_yellow = np.array([20, 80, 100])
upper_yellow = np.array([35, 255, 255])
mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)

# 红色赛道掩码（需合并两段H范围）
lower_red1 = np.array([0, 100, 80])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 100, 80])
upper_red2 = np.array([180, 255, 255])
mask_red1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask_red2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask_red = cv2.bitwise_or(mask_red1, mask_red2)

步骤四：后处理优化

阈值分割后的掩码常包含孔洞和毛刺。使用形态学开运算（先腐蚀后膨胀）去除小噪点，再用闭运算（先膨胀后腐蚀）填充赛道内部孔洞。最后通过cv2.findContours提取赛道轮廓，为后续路径规划提供几何信息。

kernel = np.ones((5,5), np.uint8)
mask_clean = cv2.morphologyEx(mask_white, cv2.MORPH_OPEN, kernel)
mask_clean = cv2.morphologyEx(mask_clean, cv2.MORPH_CLOSE, kernel)
contours, _ = cv2.findContours(mask_clean, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

经验提示：白色赛道在HSV中表现为高V、低S。如果赛道表面有反光，V值可能接近255，但S值也会略微上升。建议将S上界从40放宽到60，同时增加一个条件：V > 180且V - S > 120，以增强鲁棒性。

3.3 案例拆解：红色赛道识别中的H通道环形问题

红色赛道是三种颜色中最具挑战性的，因为HSV色相空间是环形的——红色同时位于H=0和H=180两端。如果只设置一个H范围（例如0~10），那么偏紫的红色（H=175）会被漏掉；如果只设置170~180，那么偏橙的红色（H=5）又无法识别。

实战场景：某高校智能车竞赛中，赛道为红色地毯，但灯光在不同区域产生色温差异。赛道在直道区域呈现纯红色（H=5），在弯道阴影区域呈现暗红色（H=175），在灯光直射区域则偏橙（H=8）。若仅使用单一H范围，识别率仅为72%。

解决方案：采用双区间合并策略，分别提取H=0~10和H=170~180两个区间的掩码，再通过cv2.bitwise_or合并。同时，将S下界从100降至80，V下界从80降至60，以覆盖阴影区域的暗红色。优化后识别率提升至96%。

关键参数调整记录：

初始参数：H(0,10)，S(100,255)，V(80,255) → 识别率72%
增加高H段：H(170,180) → 识别率88%
降低S下界至80，V下界至60 → 识别率93%
增加形态学闭运算（核7×7） → 识别率96%

代价与风险：降低S和V阈值会引入更多背景干扰（如深色地板、阴影边缘），需要配合更精细的形态学滤波。此外，双区间合并使计算量增加约15%，在低算力单片机上需注意帧率影响。

风险提醒：红色阈值分割中，如果背景中存在红色物体（如红色锥桶、红色围栏），会严重干扰赛道提取。建议在阈值分割后增加轮廓面积过滤——只保留面积最大的轮廓作为赛道区域，或根据赛道在图像中的预期位置（如底部中央）进行ROI裁剪。

3.4 常见误区与总结复盘

在实际工程中，初学者常犯以下错误，导致赛道识别不稳定：

误区一：直接使用RGB阈值。RGB三个通道高度耦合，光照变化时三个通道同时漂移，固定阈值极易失效。正确做法是转换到HSV或LAB空间。
误区二：忽略H通道的环形特性。红色和紫色在H通道两端，必须使用双区间。黄色虽然H范围较窄（20~35），但在不同光照下也可能偏移至15或40，建议适当放宽至15~40。
误区三：阈值设置后不做后处理。直接使用inRange输出的掩码往往包含大量椒盐噪声，必须配合形态学操作。开运算核大小建议为赛道宽度的1/50~1/30。
误区四：对所有赛道颜色使用同一套参数。白色赛道应重点看V通道，黄色和红色应重点看H和S通道。不同颜色需要独立标定阈值。

总结复盘：赛道颜色阈值分割的核心在于"选择合适的颜色空间 + 精确标定阈值范围 + 充分的后处理"。建议在开发阶段制作一个阈值调试工具，通过滑动条实时调整H/S/V上下界，并观察分割效果。下表总结了三种颜色的调试要点：

赛道颜色	首要通道	次要通道	调试优先级	常见干扰源
白色	V（明度）	S（饱和度）	先调V下界，再调S上界	浅色地板、反光
黄色	H（色相）	S、V	先调H范围，再调S下界	白色灯光、橙色物体
红色	H（双区间）	S、V	先合并双H区间，再调S	红色背景、阴影

最后，务必在实车环境的不同时段（强光、阴天、夜间灯光）采集多组图像进行阈值验证。赛道识别的鲁棒性不是一次调参就能完成的，而是需要建立"采集样本→离线调参→实车验证→迭代优化"的闭环流程。只有将阈值分割做到稳定可靠，后续的速度控制和路径纠偏才有坚实的基础。