4. 车道线检测基础

各位同学好，今天我们来聊聊车道线检测中最基础、也最经典的一套组合拳——边缘检测、霍夫变换、RANSAC拟合。说实话，虽然现在深度学习很火，但传统方法在嵌入式平台、低算力场景下依然有不可替代的优势。我自己在早期做量产项目时，就是靠这套方法撑过了大半年。

4.1 边缘检测：找到图像中的“突变”

车道线在图像里是什么？说白了，就是路面上一道颜色突变的边界。边缘检测的任务，就是把这些突变点找出来。

我个人最常用的是 Canny 边缘检测。它比单纯的 Sobel 算子要稳定得多。为什么？因为它做了“非极大值抑制”和“双阈值滞后处理”。

嗯，这里要注意：双阈值的设置很关键。我见过不少新手把高阈值设得太高，结果车道线断成一段一段的。我的经验是，高阈值取 150-200，低阈值取 50-80，具体要看你的图像对比度。

// C++ 示例：Canny 边缘检测
cv::Mat gray, edges;
cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
cv::GaussianBlur(gray, gray, cv::Size(5, 5), 1.5);
cv::Canny(gray, edges, 50, 150);  // 低阈值50，高阈值150

4.2 霍夫变换：从边缘点到直线

边缘检测完，你得到的是一个个离散的像素点。怎么把这些点变成一条完整的车道线？霍夫变换就是干这个的。

它的思想很巧妙：把图像空间中的点，映射到参数空间中的曲线。在参数空间中找交点，交点对应的就是图像空间中的直线。

常用的有两种：

• 标准霍夫变换：用 (ρ, θ) 参数空间，检测直线
• 概率霍夫变换：只随机采样部分点，效率更高

我在项目中几乎只用概率霍夫变换。为什么？因为标准霍夫变换会把所有可能的直线都找出来，包括那些只有两三个点组成的“伪直线”。概率霍夫变换可以设置最小线段长度和最大间隔，过滤掉这些噪声。

// C++ 示例：概率霍夫变换
std::vector<cv::Vec4i> lines;
cv::HoughLinesP(edges, lines, 1, CV_PI/180, 50, 30, 10);
// 参数：rho=1, theta=1度, 阈值=50, 最小线段长度=30, 最大间隔=10

4.3 RANSAC 拟合：对抗噪声的利器

霍夫变换出来的线段，往往还是断断续续的。而且受路面纹理、光照变化影响，会有不少离群点。这时候就需要 RANSAC 出场了。

RANSAC 的全称是 Random Sample Consensus，随机抽样一致。它的核心思想是：从数据中随机选一小部分点拟合模型，然后看其他点对这个模型的“支持度”。支持度高的模型，就是我们要的。

你想想看，如果直接用最小二乘法拟合，离群点会把结果拉偏。但 RANSAC 只信任“内点”，所以鲁棒性很强。

方法	优点	缺点
最小二乘法	计算快，数学形式简单	对离群点敏感，一个坏点就能毁掉结果
RANSAC	抗离群点能力强，鲁棒性好	需要迭代，计算量稍大；需要设置阈值

// 伪代码：RANSAC 直线拟合
for (int i = 0; i < maxIterations; i++) {
    // 1. 随机选两个点
    Point p1 = randomPoint(points);
    Point p2 = randomPoint(points);
    
    // 2. 由这两个点确定一条直线
    Line model = fitLine(p1, p2);
    
    // 3. 计算所有点到这条直线的距离
    int inliers = 0;
    for (auto& pt : points) {
        if (distance(pt, model) < threshold) {
            inliers++;
        }
    }
    
    // 4. 如果内点数量超过当前最优，更新模型
    if (inliers > bestInliers) {
        bestModel = model;
        bestInliers = inliers;
    }
}

4.4 三者如何配合？

这三步是串行工作的：

1. 边缘检测：把彩色图像变成二值边缘图
2. 霍夫变换：从边缘图中提取候选线段
3. RANSAC 拟合：从候选线段中拟合出最终的车道线模型

我画了一张流程图，帮你理清这个流程：

这个流程看起来简单，但实际工程中坑不少。我举个例子：在隧道里，光照变化剧烈，Canny 的边缘检测结果会很不稳定。我的做法是动态调整 Canny 的阈值——根据图像的平均亮度，自动把阈值调高或调低。