第四章：经典车道线检测算法——霍夫变换实战

各位同学，欢迎来到车道线检测的核心环节。今天我们要聊的，是计算机视觉里一个经典到不能再经典的工具——霍夫变换。说实话，我入行那会儿，深度学习还没这么火，大家做车道线检测，十有八九靠的就是它。现在虽然有了更高级的方法，但霍夫变换的思想，依然是理解图像特征的基石。

本章核心脉络：从直线检测的数学原理出发，理解标准霍夫变换与概率霍夫变换的区别，再结合ROI提取，最终完成车道线的拟合与绘制。说白了，就是教会计算机怎么从一堆像素点里，找到那条代表车道的直线。

4.1 霍夫变换原理：直线检测的数学之美

先问大家一个问题：给你一张图片上的一堆白色像素点，你怎么判断它们是不是在一条直线上？

人眼一看就知道，但计算机不行。霍夫变换的思路很巧妙——它把图像空间里的点，映射到参数空间里去投票。具体来说，一条直线在笛卡尔坐标系里是 y = kx + b，但垂直线的斜率 k 是无穷大，不好处理。所以实际工程中，我们用极坐标表示：ρ = x·cosθ + y·sinθ。

这里的 ρ 是原点到直线的距离，θ 是直线法线与 x 轴的夹角。每个图像上的边缘点 (x, y)，对应参数空间 (ρ, θ) 里的一条正弦曲线。多个点如果共线，它们的正弦曲线就会在参数空间交于一点。这个交点，就是我们要找的直线参数。

我的经验：刚开始做这个的时候，我总纠结于参数空间的离散化精度。θ 步长设 1 度还是 0.5 度？ρ 步长设 1 像素还是 0.5 像素？后来我发现，对于车道线这种比较粗的线条，θ 步长 1 度、ρ 步长 1 像素完全够用。精度太高反而容易检测出很多噪声线段。

4.2 标准霍夫变换 vs 概率霍夫变换

标准霍夫变换（Standard Hough Transform）会把所有边缘点都扔进参数空间去投票。你想想看，一张 1280x720 的图片，边缘点可能有几万个，每个点都要计算所有 θ 对应的 ρ，这计算量可不小。我在早期项目里用 OpenCV 的 HoughLines()，处理一帧图像要 50 多毫秒，实时性根本没法保证。

后来我换成了概率霍夫变换（Probabilistic Hough Transform），效果立竿见影。它的核心思想是：只随机选取一部分边缘点进行投票。只要采样足够随机，统计结果和全量投票几乎一样。

对比项	标准霍夫变换	概率霍夫变换
算法原理	所有边缘点参与投票	随机采样部分边缘点
输出结果	直线参数 (ρ, θ)	线段端点 (x1,y1,x2,y2)
计算速度	较慢	快 3-5 倍
适用场景	离线分析、精度优先	实时系统、车道线检测

OpenCV 里对应的函数是 HoughLinesP()。我个人习惯用这个函数，因为它直接返回线段的端点坐标，省去了后续从 (ρ, θ) 反算端点的步骤。

import cv2
import numpy as np

# 假设 edges 是 Canny 边缘检测的结果
lines = cv2.HoughLinesP(
    edges, 
    rho=1,              # ρ 步长，1像素
    theta=np.pi/180,    # θ 步长，1度
    threshold=50,       # 投票阈值，低于此值的直线被忽略
    minLineLength=40,   # 最小线段长度，过滤短线段
    maxLineGap=10       # 同一直线上两点最大间隔，用于连接断开的线段
)

# lines 的格式：[[x1, y1, x2, y2], ...]

避坑指南：我曾经在一条弯道上栽过跟头。概率霍夫变换对弯曲的车道线检测效果很差，因为它本质上是找直线段。弯道上的线段会被切成很多小段，而且方向不一致。后来我加了一个线段聚类和曲线拟合的后处理，才勉强搞定。如果你做的是高速公路这种大曲率弯道，建议考虑滑动窗口或贝塞尔曲线拟合。

4.3 ROI 感兴趣区域提取

为什么要做 ROI 提取？说白了，就是告诉计算机：别瞎看，只盯着路面那一块。

车载摄像头拍到的画面里，有天空、有树木、有对面来车，这些都不是我们关心的。车道线只出现在车辆前方的路面区域。手动设定一个多边形区域，把图像裁剪成梯形或三角形，能大幅减少计算量，同时避免误检。

我一般这样设置 ROI：

def region_of_interest(img, vertices):
    """
    对图像应用多边形掩膜
    vertices: 多边形的顶点坐标列表，格式 [(x1,y1), (x2,y2), ...]
    """
    mask = np.zeros_like(img)
    
    # 填充多边形为白色
    if len(img.shape) > 2:
        channel_count = img.shape[2]
        ignore_mask_color = (255,) * channel_count
    else:
        ignore_mask_color = 255
    
    cv2.fillPoly(mask, vertices, ignore_mask_color)
    
    # 与操作，保留 ROI 内的像素
    masked_image = cv2.bitwise_and(img, mask)
    return masked_image

# 示例：对于 720x1280 的图像，定义梯形 ROI
height, width = 720, 1280
roi_vertices = np.array([
    [(200, height),          # 左下
     (550, 450),             # 左上
     (730, 450),             # 右上
     (1100, height)          # 右下
]], dtype=np.int32)

roi_edges = region_of_interest(edges, roi_vertices)

这里有个细节：ROI 的顶点坐标需要根据摄像头安装位置和视角来调整。我记得第一次做实车测试时，发现车道线总是偏左，后来发现是 ROI 的梯形没对准车道消失点。调整了上边两个点的 y 坐标后，效果立马好了。

小技巧：ROI 的梯形上边不要画得太窄。留一点余量，给车辆转弯时车道线偏移的空间。我一般让上边宽度占图像宽度的 40%-50%。

4.4 车道线拟合与绘制

霍夫变换检测出来的是一堆散乱的线段。我们需要把它们归类成左车道线和右车道线，然后拟合成完整的直线。

我的做法分三步：

按斜率分组：计算每条线段的斜率，斜率为正（从左下到右上）的归为左车道线候选，斜率为负的归为右车道线候选。
线段合并：对同一组的线段，计算它们的平均斜率和截距。可以用 RANSAC 算法剔除离群点，效果更好。
绘制车道线：根据拟合出的直线方程，从图像底部画到 ROI 顶部。

def draw_lane_lines(img, lines, color=[0, 255, 0], thickness=3):
    """
    在图像上绘制车道线
    lines: 霍夫变换检测到的线段列表
    """
    left_lines = []
    right_lines = []
    
    for line in lines:
        x1, y1, x2, y2 = line[0]
        # 计算斜率和截距
        if x2 - x1 == 0:  # 垂直线，跳过
            continue
        slope = (y2 - y1) / (x2 - x1)
        intercept = y1 - slope * x1
        
        # 根据斜率分类
        if slope > 0.3:  # 左车道线（正斜率）
            left_lines.append((slope, intercept))
        elif slope < -0.3:  # 右车道线（负斜率）
            right_lines.append((slope, intercept))
    
    # 拟合平均直线
    def average_line(lines_group):
        if len(lines_group) == 0:
            return None
        avg_slope = np.mean([l[0] for l in lines_group])
        avg_intercept = np.mean([l[1] for l in lines_group])
        return avg_slope, avg_intercept
    
    left_avg = average_line(left_lines)
    right_avg = average_line(right_lines)
    
    # 绘制
    y1 = img.shape[0]  # 底部
    y2 = int(img.shape[0] * 0.6)  # ROI 顶部
    
    line_img = np.zeros_like(img)
    
    if left_avg:
        slope, intercept = left_avg
        x1 = int((y1 - intercept) / slope)
        x2 = int((y2 - intercept) / slope)
        cv2.line(line_img, (x1, y1), (x2, y2), color, thickness)
    
    if right_avg:
        slope, intercept = right_avg
        x1 = int((y1 - intercept) / slope)
        x2 = int((y2 - intercept) / slope)
        cv2.line(line_img, (x1, y1), (x2, y2), color, thickness)
    
    return line_img

这段代码看起来简单，但实际项目中坑不少。比如车辆颠簸时，检测到的线段会突然消失或出现异常斜率。我一般会加一个帧间平滑：用前几帧的拟合结果做加权平均，避免车道线在画面里跳来跳去。

核心要点回顾：

霍夫变换的本质是空间映射与投票统计
概率霍夫变换是实时系统的首选
ROI 提取能过滤 70% 以上的无关区域
车道线拟合需要分组、合并、平滑三步走

好了，这一章的内容就到这里。霍夫变换虽然经典，但也不是万能的。下一章我们会聊聊更鲁棒的滑动窗口法，专门应对弯道和阴影干扰。不过在那之前，建议你把今天讲的代码跑一遍，亲手调调参数，感受一下不同阈值对检测结果的影响。

📚 课程目录

第四章：经典车道线检测算法——霍夫变换实战

4.1 霍夫变换原理：直线检测的数学之美

4.2 标准霍夫变换 vs 概率霍夫变换

4.3 ROI 感兴趣区域提取

4.4 车道线拟合与绘制