第二章数据预处理进阶：图像去畸变、透视变换与ROI区域动态选择策略

2.1 图像去畸变：别让镜头骗了你

做车道线检测，第一个坑往往不是算法不行，而是摄像头本身在撒谎。

你想想看，市面上绝大多数车载摄像头用的都是广角镜头或鱼眼镜头。这类镜头为了看到更宽的路面，会引入明显的径向畸变和切向畸变。说白了，就是画面边缘的直线会变弯。我刚开始做这个项目时，拿了一个鱼眼摄像头对着笔直的车道线一拍——好家伙，边缘的车道线弯成了S形。如果不做去畸变，后面的霍夫变换或者曲线拟合根本没法看。

去畸变的数学原理其实不复杂。我们通常用张正友标定法，先拿到相机的内参矩阵和畸变系数。核心公式就两个：

径向畸变：\( x_{corrected} = x(1 + k_1 r^2 + k_2 r^4 + k_3 r^6) \)
切向畸变：\( x_{corrected} = x + [2p_1 xy + p_2 (r^2 + 2x^2)] \)

嗯，公式看着唬人，但OpenCV已经帮我们封装好了。我个人习惯用 cv2.undistort() 一步到位。不过要注意，去畸变后的图像边缘会被裁剪掉一部分，如果你需要保留完整的视野，可以用 cv2.getOptimalNewCameraMatrix() 调整缩放比例。

核心要点：去畸变不是可选项，而是必选项。尤其是使用广角摄像头时，畸变会导致远处车道线的位置偏差达到几十个像素，这对后续的透视变换是致命的。

我的小技巧：标定棋盘格时，尽量让棋盘格占满画面的不同区域。我曾在项目中偷懒只拍了中心区域，结果边缘畸变校正效果很差，后来重新采集数据才搞定。

2.2 透视变换：把路面“拍平”

去畸变之后，我们得到的是前视视角的图像。但车道线检测真正需要的是鸟瞰图——也就是从正上方往下看的样子。为什么？因为鸟瞰图下车道线是平行的，便于我们做直线拟合或曲线拟合。

透视变换的本质，就是找一个单应性矩阵 \( H \)，把前视图中的四个点映射到鸟瞰图中的四个点。我一般这样选点：

源点：前视图中车道线的四个角点（比如左右车道线的起点和终点）
目标点：鸟瞰图中对应的矩形四个角点

代码实现很简单，OpenCV提供了 cv2.getPerspectiveTransform() 和 cv2.warpPerspective()。但这里有个坑——源点的选择直接影响变换效果。我记得有一次，我随便选了四个点，结果鸟瞰图里的车道线歪歪扭扭，完全没法用。

避坑指南：我曾经因为源点选得太靠近车辆，导致鸟瞰图中远处车道线被严重拉伸，分辨率极低。建议源点覆盖从车头前5米到50米的范围，这样远近兼顾。

另外，透视变换后的图像分辨率会发生变化。如果你发现鸟瞰图模糊，可以适当增大输出图像的尺寸。我一般设为源图宽度的1.5倍。

2.3 ROI区域动态选择：别让背景干扰你

做完透视变换，你是不是觉得万事大吉了？别急，还有一个关键问题——ROI区域的选择。

传统的做法是固定一个梯形或矩形ROI，只保留车道线所在的区域。但实际路况千变万化：上坡时车道线会往上移，下坡时会往下移，弯道时车道线会偏向一侧。固定ROI很容易把车道线切掉，或者引入大量无关背景。

我个人建议采用动态ROI策略。核心思路是根据上一帧检测到的车道线位置，自适应调整当前帧的ROI。具体做法：

上一帧检测到左右车道线的拟合曲线
计算车道线在图像中的上下边界和左右偏移量
在当前帧中，以这些边界为中心，向外扩展一定像素（比如左右各50像素，上下各30像素）
用这个动态ROI裁剪图像，再进行车道线检测

这样做的好处很明显：

减少计算量，只处理关键区域
提高鲁棒性，避免背景干扰
适应弯道和坡度变化

注意：动态ROI需要配合车道线跟踪使用。如果连续几帧都检测不到车道线，建议回退到固定ROI，防止ROI漂移到错误区域。

2.4 整体流程与代码示例

把上面三步串起来，就是一套完整的数据预处理流程。我画了一张流程图，帮你理清思路：

下面是一个精简的代码示例，展示了核心步骤：

import cv2
import numpy as np

# 1. 去畸变
def undistort_image(img, mtx, dist):
    h, w = img.shape[:2]
    new_mtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))
    undistorted = cv2.undistort(img, mtx, dist, None, new_mtx)
    return undistorted

# 2. 透视变换
def perspective_transform(img):
    src_points = np.float32([[200, 720], [600, 450], [700, 450], [1100, 720]])
    dst_points = np.float32([[300, 720], [300, 0], [900, 0], [900, 720]])
    M = cv2.getPerspectiveTransform(src_points, dst_points)
    warped = cv2.warpPerspective(img, M, (1200, 720))
    return warped, M

# 3. 动态ROI（基于上一帧车道线位置）
def dynamic_roi(img, left_fit, right_fit, margin=50):
    h, w = img.shape[:2]
    # 根据拟合曲线计算ROI边界
    y_top = int(min(left_fit[0]*h**2 + left_fit[1]*h + left_fit[2],
                    right_fit[0]*h**2 + right_fit[1]*h + right_fit[2]))
    y_bottom = h
    x_left = max(0, int(left_fit[0]*h**2 + left_fit[1]*h + left_fit[2]) - margin)
    x_right = min(w, int(right_fit[0]*h**2 + right_fit[1]*h + right_fit[2]) + margin)
    roi = img[y_top:y_bottom, x_left:x_right]
    return roi

2.5 参数调优建议

数据预处理这块，参数调优直接决定后续检测效果。我整理了一张表，列出关键参数和我的经验值：

参数	推荐范围	我的经验
去畸变缩放因子 alpha	0.0 ~ 1.0	0.5 左右，保留大部分视野又不引入过多黑边
透视变换源点纵向范围	图像底部到中部	底部取图像高度90%，顶部取40%
动态ROI扩展像素 margin	30 ~ 80 像素	直道用40，弯道用60
鸟瞰图输出宽度	原图宽度的1.0 ~ 2.0倍	1.5倍，分辨率与计算量平衡

避坑指南：我曾经在高速场景下把动态ROI的margin设得太小（20像素），结果车辆一颠簸，车道线就跑到ROI外面去了。后来改成60像素，稳如老狗。

好了，数据预处理这块就聊到这儿。去畸变、透视变换、动态ROI，这三板斧用好了，你的车道线检测就成功了一半。剩下的，就是特征提取和拟合的事了。

可可精品资料库

📚 课程目录

第二章 数据预处理进阶：图像去畸变、透视变换与ROI区域动态选择策略

2.1 图像去畸变：别让镜头骗了你

2.2 透视变换：把路面“拍平”

2.3 ROI区域动态选择：别让背景干扰你

2.4 整体流程与代码示例

2.5 参数调优建议

第二章数据预处理进阶：图像去畸变、透视变换与ROI区域动态选择策略