第三节：感兴趣区域提取——ROI掩码、透视变换与BEV生成
车道线检测，说白了就是让车“看懂”路。但摄像头拍到的画面，信息量太大了——天空、树木、对面来车，这些对车道线检测来说全是干扰。我刚开始做这个项目时，就犯过傻：直接把整张图扔进模型，结果模型学了半天，净在那识别云朵了。
所以，我们得先告诉程序：“别看别处，就看路！” 这就是感兴趣区域提取要做的事。
3.1 为什么要提取ROI？
你想想看，车道线永远只出现在路面那一块区域。上半部分是天空，左右两边是护栏或建筑物。如果我们把整张图都处理，不仅计算量大，还容易引入噪声。
我个人习惯的做法是：先定义一个多边形，把车道区域框出来。这个多边形就是ROI掩码。掩码之外的像素，全部置为黑色。这样，后续的所有处理都只聚焦在路面上。
核心思想： 不是所有像素都值得处理。只关注“路”，忽略“非路”。
3.2 基于OpenCV的ROI掩码生成
OpenCV里实现这个很简单。我们用 cv2.fillPoly() 画一个白色多边形，再用 cv2.bitwise_and() 把原图和掩码做“与”操作。
嗯，这里要注意：多边形的顶点坐标，得根据你的摄像头安装位置来调。我曾在不同车型上试过，轿车和SUV的视角差异很大，顶点位置要重新标定。
import cv2
import numpy as np
def region_of_interest(img, vertices):
"""
生成ROI掩码并提取感兴趣区域
:param img: 输入图像
:param vertices: 多边形顶点列表
:return: 掩码后的图像
"""
mask = np.zeros_like(img)
# 填充多边形为白色
cv2.fillPoly(mask, vertices, 255)
# 与操作，保留ROI区域
masked_img = cv2.bitwise_and(img, mask)
return masked_img
# 示例：定义梯形ROI（假设图像尺寸为 960x540）
height, width = 540, 960
roi_vertices = np.array([[
(200, height), # 左下
(550, 320), # 左上
(750, 320), # 右上
(width-100, height) # 右下
]], dtype=np.int32)
roi_result = region_of_interest(image, roi_vertices)我的经验： 多边形不要画得太“紧”。留一点余量，防止弯道时车道线跑出ROI区域。我曾经因为ROI画得太窄，导致大弯道时车道线直接消失，差点出事故。
3.3 透视变换：从“前视图”到“鸟瞰图”
ROI提取之后，我们得到的是前视图——近处的车道线宽，远处的窄。这种透视效果对后续的曲线拟合很不友好。你想想看，同样的车道宽度，在图像底部占100像素，在顶部只占20像素，这怎么拟合？
所以，我们需要做透视变换，把前视图转换成鸟瞰图（BEV）。说白了，就是模拟从天上往下看的效果。这样车道线就变成平行线了，拟合起来轻松很多。
透视变换的原理很简单：在原图上选4个点，在目标图上对应4个点，计算一个3x3的变换矩阵。OpenCV提供了 cv2.getPerspectiveTransform() 和 cv2.warpPerspective()。
def perspective_transform(img, src_points, dst_points):
"""
透视变换：前视图 -> 鸟瞰图
:param img: 输入图像
:param src_points: 源图像中的4个点
:param dst_points: 目标图像中的4个点
:return: 变换后的鸟瞰图
"""
# 计算变换矩阵
M = cv2.getPerspectiveTransform(src_points, dst_points)
# 应用变换
warped = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))
return warped
# 定义源点和目标点
src = np.float32([
[580, 460], # 左上
[700, 460], # 右上
[1050, 680], # 右下
[200, 680] # 左下
])
dst = np.float32([
[300, 0],
[900, 0],
[900, 720],
[300, 720]
])
bev_image = perspective_transform(roi_result, src, dst)避坑指南： 我曾经在高速上测试时，发现变换后的BEV图总是歪的。排查了半天，原来是src_points选在了车道线边缘，而不是车道中心。记住：源点一定要选在车道中心线上，且4个点要构成一个矩形（在物理世界中）。
3.4 鸟瞰图（BEV）生成后的处理
BEV图生成后，车道线就变成了竖直或接近竖直的线条。这时候再做二值化、边缘检测，效果会好很多。我个人习惯在BEV图上做以下几步：
- 灰度化：
cv2.cvtColor()转成单通道 - 高斯模糊：
cv2.GaussianBlur()去噪，核大小选5x5 - 二值化：
cv2.threshold()或cv2.adaptiveThreshold() - 滑动窗口搜索：在BEV图上从左到右扫描，找到车道线的像素点
为什么要在BEV图上做滑动窗口？因为前视图里车道线是斜的，窗口不好对齐。BEV图里车道线是直的，窗口从上往下滑，一找一个准。
3.5 本章知识体系
下面这张图，是我自己总结的ROI提取与BEV生成的完整流程。你看一遍，应该就能把整个逻辑串起来了。
3.6 参数调优建议
这部分我踩过不少坑，直接给你列个表，省得你再去试错。
| 参数 | 推荐值 | 我的经验 |
|---|---|---|
| ROI多边形顶点 | 梯形，底部占满宽度，顶部在水平线下方 | 轿车：顶部y坐标在图像高度的60%处；SUV：在55%处 |
| 透视变换源点 | 选在车道中心线上，构成矩形 | 我习惯选在距离车头5米和30米处的车道中心点 |
| BEV图尺寸 | 保持与原图相同或略小 | 960x540就够用，太大反而增加计算量 |
| 高斯模糊核大小 | 5x5 或 7x7 | 雨天或路面湿滑时，建议用7x7，去噪效果更好 |
小技巧： 如果你发现BEV图里的车道线还是有点弯，可以微调dst_points的y坐标。让目标点稍微靠拢一点，能补偿镜头畸变。我一般会在dst_points的y方向上加减5-10个像素，反复试几次就能找到最佳值。
好了，ROI提取和BEV生成这部分就讲完了。记住：ROI帮你聚焦路面，透视变换帮你消除透视效应。这两步做好了，后面的车道线拟合就是水到渠成的事。