第四章：传统车道线检测（一）：颜色空间转换与阈值分割
各位同学，欢迎来到实战环节的第一站。说实话，很多新手一上来就怼深度学习，结果连最基本的车道线都提不出来。我个人习惯是，先把手动特征工程玩明白，再谈端到端。这一章，咱们就聊聊传统方法里最核心的两个东西：颜色空间和梯度阈值。
4.1 为什么要做颜色空间转换？
你想想看，摄像头拍到的原始图像是RGB格式。但RGB有个毛病——它对光照变化特别敏感。同一个黄色车道线，晴天和阴天拍出来，RGB值能差好几倍。我在项目中遇到过，白天跑得好好的模型，一到傍晚就疯狂丢线。后来发现，问题就出在RGB上。
所以我们需要换个颜色空间。说白了，就是把颜色信息从「红绿蓝」的混合表示，拆成更符合人类视觉感知的方式。常用的有两个：HSV 和 LAB。
4.2 HSV颜色空间
HSV把颜色拆成三个分量：
- H（Hue，色调）：0-180度，代表颜色种类。比如黄色在15-35之间。
- S（Saturation，饱和度）：颜色纯度。车道线的饱和度通常较高。
- V（Value，明度）：亮度。这个分量受光照影响最大，我们往往要把它扔掉。
核心思路：利用H和S通道提取车道线颜色，忽略V通道来抵抗光照变化。
嗯，这里要注意：OpenCV里HSV的H范围是0-180，不是0-360。我第一次用的时候直接拿0-360去设阈值，结果啥也提取不出来，折腾了半天才发现这个坑。
4.3 LAB颜色空间
LAB是另一种选择。它把颜色拆成：
- L（Lightness）：亮度，同样受光照影响大。
- A（绿-红）：从绿色到红色的变化。
- B（蓝-黄）：从蓝色到黄色的变化。
我个人更偏爱LAB里的B通道。为什么？因为黄色车道线在B通道上响应特别强，白色车道线在L通道上响应强。你想想看，黄色和白色是路上最常见的两种车道线颜色，LAB刚好能分别处理它们。
| 颜色空间 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| HSV | 色调分离好，抗光照 | 饱和度阈值难调 | 黄色车道线 |
| LAB | B通道对黄色敏感 | 计算稍慢 | 黄白混合车道线 |
4.4 颜色阈值分割实战
理论讲完了，直接上代码。这是我在实际项目中用过的阈值配置：
import cv2
import numpy as np
def color_threshold(img):
# 转HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 黄色阈值（H在15-35，S>80，V>50）
lower_yellow = np.array([15, 80, 50])
upper_yellow = np.array([35, 255, 255])
mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)
# 转LAB
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
# 白色阈值（L>200，B在130-200）
lower_white = np.array([200, 0, 130])
upper_white = np.array([255, 255, 200])
mask_white = cv2.inRange(lab, lower_white, upper_white)
# 合并
mask = cv2.bitwise_or(mask_yellow, mask_white)
return mask我的经验：阈值不要死记硬背。不同相机、不同光照下，阈值需要微调。我一般会在代码里加一个滑动条调试窗口，实时观察效果。
4.5 梯度阈值（Sobel）
颜色分割搞定了，但还不够。你想想看，如果路面颜色和车道线颜色接近怎么办？比如水泥路上的白色车道线，颜色分割就不好使了。这时候需要梯度信息。
Sobel算子说白了就是求图像的一阶导数。车道线边缘处，像素值变化剧烈，梯度值就大。我们利用这个特性来提取边缘。
Sobel有两个方向：
- x方向：检测垂直边缘（车道线左右边界）
- y方向：检测水平边缘（车道线上下边界）
对于车道线，我们主要关注x方向的梯度。因为车道线是竖直的，它的左右边界在x方向变化最明显。
def sobel_threshold(img, sobel_kernel=3):
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# x方向Sobel
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=sobel_kernel)
# 取绝对值并归一化到0-255
abs_sobelx = np.absolute(sobelx)
scaled_sobel = np.uint8(255 * abs_sobelx / np.max(abs_sobelx))
# 阈值分割
grad_binary = np.zeros_like(scaled_sobel)
grad_binary[(scaled_sobel >= 20) & (scaled_sobel <= 100)] = 1
return grad_binary注意：Sobel核大小一般用3或5。核越大，对噪声越不敏感，但边缘会变粗。我曾经在高速场景用7x7的核，结果车道线边缘糊成一团，检测精度直线下降。
4.6 方向滤波
光有梯度大小还不够。你想想看，路面上有各种边缘：路沿、阴影、车辆轮廓……它们都有梯度。怎么区分哪些是车道线？
答案是：看方向。车道线的梯度方向大致是水平的（因为边缘是竖直的）。我们可以计算梯度方向，只保留那些方向接近水平的点。
def direction_threshold(img, sobel_kernel=3):
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=sobel_kernel)
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=sobel_kernel)
# 计算梯度方向
abs_grad_dir = np.arctan2(np.absolute(sobely), np.absolute(sobelx))
# 保留方向在45-135度之间的点（接近竖直边缘）
dir_binary = np.zeros_like(abs_grad_dir)
dir_binary[(abs_grad_dir >= 0.7) & (abs_grad_dir <= 1.3)] = 1
return dir_binary这里0.7和1.3是弧度值，对应大约40度和75度。为什么是这个范围？因为车道线不完全是竖直的，弯道处会有倾斜。我试过更窄的范围，直道表现很好，但弯道直接丢线。后来放宽到0.7-1.3，弯道也能稳定检测了。
4.7 组合策略：颜色+梯度
现在我们有三个二值图：颜色掩码、梯度掩码、方向掩码。怎么组合？
我的做法是：颜色优先，梯度辅助。具体来说：
- 颜色分割能提取到的，直接用颜色结果
- 颜色分割失效的区域（比如阴影下），用梯度+方向来补
def combined_threshold(img):
color_binary = color_threshold(img)
grad_binary = sobel_threshold(img)
dir_binary = direction_threshold(img)
# 组合：颜色或（梯度与方向）
combined = np.zeros_like(color_binary)
combined[(color_binary == 1) | ((grad_binary == 1) & (dir_binary == 1))] = 1
return combined为什么这样组合？ 颜色分割的假阳性少，但召回率低。梯度+方向召回率高，但噪声多。两者取「或」关系，既能保证召回，又能通过方向滤波压制噪声。
4.8 本章知识体系
下面这张图总结了本章的核心逻辑，我画成了流程图，方便你理解整个处理链路：
这张图展示了完整的处理流程：原始图像先分两路，一路做颜色空间转换和阈值分割，另一路做Sobel梯度计算和方向滤波，最后合并成一张二值图。这个二值图就是后续车道线拟合的输入。
4.9 避坑指南
最后分享几个我踩过的坑：
- 阈值不要写死：不同光照、不同路面材质，阈值差异很大。我建议在代码里留一个配置文件，方便现场调参。
- Sobel核大小要匹配分辨率：高清图像用3x3核，边缘太细碎；低分辨率图像用5x5核，边缘又太粗。我一般根据图像宽度来选：宽度大于1000用5x5，否则用3x3。
- 方向滤波的弧度范围要留余量：弯道处车道线方向会变化，范围太窄会丢线。0.7-1.3是我试过比较稳妥的值。
- 颜色和梯度要互补：不要只依赖一种方法。颜色在强光下容易饱和，梯度在弱纹理路面容易失效。两者结合才是王道。
好了，这一章的内容就到这里。颜色和梯度是传统车道线检测的两大基石，下一章我们会在此基础上做透视变换和滑动窗口搜索。记住，先把基础打牢，后面的路才好走。