📚 课程目录第1章课程导论与项目全景

1. 课程导论与项目全景

各位同学，欢迎来到《车道线检测系统搭建实战》的第一课。

我是这门课的主讲人。在自动驾驶这个行当摸爬滚打了快十年，从最早的Mobileye单目方案，到后来的多传感器融合，我踩过的坑、填过的雷，说实话，比你们想象的多得多。今天，咱们就从最基础、也最核心的一个模块聊起——车道线检测。

你想想看，一辆车要在路上跑，它首先得知道什么？

不是知道前面有棵树，也不是知道旁边有辆宝马。它首先得知道——我该走哪条道？

车道线，就是给自动驾驶系统画出的“虚拟轨道”。没有它，L2级别的车道保持、L3级别的自动变道，全都是空中楼阁。我个人习惯把车道线检测比作自动驾驶的“地基工程”——你看不见它，但它决定了整栋楼能盖多高。

核心地位总结：

我记得2018年做的一个项目，客户要求夜间雨天也能稳定检测车道线。当时团队试了七八种传统方法，效果都不理想。后来换了深度学习方案，才勉强达标。嗯，这里要提前跟你们说——传统方法和深度学习方法，我们这门课都会讲。为什么？因为实际工程中，你永远不知道哪种方案更适合你的硬件平台。

这门课不是纯理论课。说白了，我不打算给你们念PPT。

30个章节走下来，我希望你能做到三件事：

我曾经带过一个实习生，他花了三周复现了一篇顶会论文，但拿到实车上一测，帧率只有5fps。为什么？因为他忽略了模型轻量化。这个教训，我希望你们在课程里就学会，而不是等到项目交付前才发现。

一个完整的车道线检测系统，远不止“输入图像、输出线条”这么简单。我习惯把它拆成四个模块：

下面这张图，是我自己画的系统架构图。你仔细看，每个模块之间都有数据流和反馈回路。

你看，数据从摄像头进来，先做预处理——说白了就是把图像“洗干净”，去掉镜头畸变，转换成鸟瞰视角。然后才是核心的检测环节。最后，后处理模块会把检测到的像素点拟合成平滑的曲线，再结合卡尔曼滤波做跟踪。

一个小技巧： 实际工程中，预处理往往比检测算法本身更影响最终效果。我曾经在一个项目中，仅仅优化了透视变换的映射参数，就把检测准确率从82%提到了91%。所以，别小看预处理。

工欲善其事，必先利其器。这门课我们主要用三样东西：

工具	版本建议	在课程中的角色	我的经验
Python	3.8 - 3.11	主编程语言，所有代码的基础	别用3.12，有些库还没适配
OpenCV	4.5.5 以上	图像读取、预处理、传统检测方法	4.7.0 有个透视变换的bug，注意避开
PyTorch	1.12 - 2.1	深度学习模型训练与推理	推荐用2.0以上，编译模式快很多

为什么选这三个？

Python不用多说，生态太丰富了。OpenCV在图像处理领域，说白了就是“瑞士军刀”——什么都能干，但需要你会挑着用。PyTorch呢，我个人习惯用它做深度学习，因为调试起来比TensorFlow顺手，动态图机制对研究阶段特别友好。

注意： 安装环境时，建议用conda创建虚拟环境。我曾经因为全局安装包版本冲突，浪费了整整一个下午。命令很简单：

conda create -n lane_detection python=3.9
conda activate lane_detection
pip install opencv-python torch torchvision

这一章，我们聊了车道线检测为什么重要，课程能带给你什么，以及整个系统的骨架长什么样。最后，我把工具链给你摆好了。

嗯，说实话，第一章的内容不算多。但它是你后面29章的“地图”。你想想看，没有地图就上路，是不是容易走偏？

下一章，我们会直接动手——用OpenCV实现一个最简单的车道线检测demo。别担心，我会带着你一行一行写代码。