1. 引言

1.1 背景

车道线检测是自动驾驶和辅助驾驶系统的核心技术之一。通过检测车道线，系统可以：

判断车辆是否在车道内
提供车道偏离预警（LDW）
辅助车辆保持车道行驶
为自动驾驶系统提供基础感知能力

传统的车道线检测主要依赖深度学习模型，但传统计算机视觉方法在某些场景下仍然有效，且具有计算资源需求低、可解释性强等优势。本项目使用OpenCV和传统图像处理技术，展示了如何在不使用深度学习的情况下实现车道线检测。

1.2 应用场景

自动驾驶辅助系统：为自动驾驶系统提供车道线信息
车道偏离预警（LDW）：检测车辆是否偏离车道
智能交通监控：监控道路上的车道线状态
计算机视觉学习案例：作为教学示例，学习传统计算机视觉方法

1.3 目标与价值

本项目通过构建一个完整的车道线检测系统，展示了如何：

使用传统计算机视觉方法检测车道线
处理图像和视频流
实现从图像预处理到检测结果可视化的完整流程
为自动驾驶和辅助驾驶系统提供基础能力

2. 概述

2.1 目标

使用OpenCV和图像处理技术，从道路图像中自动检测并标注车道线。

2.2 任务类型

任务类型：计算机视觉、图像处理、目标检测
技术方案：传统计算机视觉方法（非深度学习）
目标：检测白色和黄色车道线，并标注在图像上

2.3 技术栈

图像处理：OpenCV
数据处理：NumPy
可视化：Matplotlib
视频处理：MoviePy

2.4 数据集

数据量：6张测试图片，3个测试视频
格式：JPG图像、MP4视频
内容：不同场景的道路图像（包含白色和黄色车道线）
特点：
- 不同光照条件
- 不同道路类型
- 不同车道线颜色（白色/黄色）

3. AI项目周期6个阶段详解

阶段1：需求界定

3.1.1 问题定义

车道线检测是自动驾驶和辅助驾驶系统的核心技术之一。通过检测车道线，系统可以：

判断车辆是否在车道内
提供车道偏离预警
辅助车辆保持车道行驶

项目目标：

从道路图像中自动检测车道线
支持白色和黄色车道线
处理图像和视频流
实时标注检测结果

应用场景：

自动驾驶辅助系统
车道偏离预警（LDW）
智能交通监控
计算机视觉教学

3.1.2 关键技术：传统计算机视觉

传统计算机视觉 vs 深度学习：

特性	传统CV方法	深度学习
计算资源	低（普通CPU）	高（需要GPU）
训练数据	不需要	需要大量标注数据
可解释性	高（算法流程清晰）	低（黑盒模型）
适应性	需要手工调参	自动学习特征
实时性	优秀	取决于模型复杂度

本项目使用的传统CV技术：

HSL色彩空间选择
Canny边缘检测
霍夫变换（直线检测）
ROI划定（感兴趣区域）

阶段2：数据获取

3.2.1 环境准备

在开始项目之前，需要安装必要的库：

复制代码

required_libraries = {
    "numpy": None,
    "matplotlib": None,
    "opencv-python": "cv2",
    "moviepy": None
}

from utilities.utils import check_and_install
check_and_install(required_libraries)

3.2.2 数据加载

复制代码

import os
import glob
import matplotlib.pyplot as plt
import cv2
import numpy as np

# 路径配置
project_dir = os.getcwd()
input_images_path = os.path.join(project_dir, "sample", "media", "input_images")
input_videos_path = os.path.join(project_dir, "sample", "media", "input_videos")

# 加载测试图片
image_paths = glob.glob(os.path.join(input_images_path, "*.jpg"))
test_images = [plt.imread(img) for img in image_paths]

print(f"加载了 {len(test_images)} 张测试图片")

知识点：

使用 glob.glob() 批量加载图片文件
使用 plt.imread() 读取图片（自动转换为RGB格式）

阶段3：数据分析

3.3.1 色彩空间选择

作用：这是数据探索环节，通过比较不同色彩空间（RGB、HSV、HSL）的效果，选择最适合车道线检测的色彩表示方式。

为什么需要色彩空间选择？

车道线通常是白色或黄色，通过色彩空间选择可以：

突出车道线特征
遮蔽无关背景区域
提高后续边缘检测的准确性

选择结果：使用HSL色彩空间（效果最清晰）

复制代码

def convert_hsl(image):
    """将RGB色彩模型的图像转换成HSL模型"""
    return cv2.cvtColor(image, cv2.COLOR_RGB2HLS)

def HSL_color_selection(image):
    """在HSL图像上进行颜色选择，仅保留白色和黄色车道线"""
    # 将输入图像转换成HSL色彩模型
    converted_image = convert_hsl(image)
    
    # 定义白色的HSL范围
    lower_threshold = np.uint8([0, 200, 0])
    upper_threshold = np.uint8([255, 255, 255])
    white_mask = cv2.inRange(converted_image, lower_threshold, upper_threshold)
    
    # 定义黄色的HSL范围
    lower_threshold = np.uint8([10, 0, 100])
    upper_threshold = np.uint8([40, 255, 255])
    yellow_mask = cv2.inRange(converted_image, lower_threshold, upper_threshold)
    
    # 合并白色和黄色掩膜
    mask = cv2.bitwise_or(white_mask, yellow_mask)
    masked_image = cv2.bitwise_and(image, image, mask=mask)
    
    return masked_image

# 对测试图像进行色彩选择
color_selected_images = list(map(HSL_color_selection, test_images))
print("色彩空间选择完成")

知识点：

HSL色彩空间：对光照变化更鲁棒，适合车道线检测
颜色阈值 ：使用 cv2.inRange() 选择特定颜色范围
掩膜操作 ：使用 cv2.bitwise_and() 应用掩膜

3.3.2 边缘检测

作用：这是特征提取环节，从图像中提取边缘特征，为后续的检测算法提供输入。

Canny边缘检测：是一种多阶段算法，用于识别图像中的边缘特征。

复制代码

def gray_scale(image):
    """将图像转换为灰度格式"""
    return cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

def gaussian_smoothing(image, kernel_size=13):
    """对输入图像应用高斯滤波器，实现平滑处理"""
    return cv2.GaussianBlur(image, (kernel_size, kernel_size), 0)

def canny_detector(image, low_threshold=50, high_threshold=150):
    """对输入图像实施Canny边缘检测算法"""
    return cv2.Canny(image, low_threshold, high_threshold)

# 边缘检测处理流程
gray_images = list(map(gray_scale, color_selected_images))
blur_images = list(map(gaussian_smoothing, gray_images))
edge_detected_images = list(map(canny_detector, blur_images))

print("边缘检测完成")

知识点：

灰度化：将彩色图像转换为灰度图
高斯滤波：平滑图像，减少噪声
Canny检测：检测边缘特征，参数包括低阈值和高阈值

阶段4：模型构建

在传统CV项目中，"模型构建"指的是算法流程的设计与实现，而不是训练神经网络。

4.1 ROI划定

作用：ROI划定属于特征工程的一部分，通过减少干扰区域来提高检测准确性。

为什么需要ROI？

车道线通常出现在图像的前方区域
减少背景干扰，提高检测准确性

降低计算量，提高处理速度

def region_selection(image):
"""确定并裁剪输入图像中的感兴趣区域(ROI)"""
mask = np.zeros_like(image)

复制代码

  # 根据输入图像确定使用3通道或单通道颜色填充掩模
  if len(image.shape) > 2:
      channel_count = image.shape[2]
      ignore_mask_color = (255,) * channel_count
  else:
      ignore_mask_color = 255
  
  # 使用相对坐标，适配不同尺寸图像
  rows, cols = image.shape[:2]
  bottom_left  = [cols * 0.1, rows * 0.95]  # 左下顶点
  top_left     = [cols * 0.4, rows * 0.6]   # 左上顶点
  bottom_right = [cols * 0.9, rows * 0.95]  # 右下顶点
  top_right    = [cols * 0.6, rows * 0.6]   # 右上顶点

  # 构建多边形顶点坐标集
  vertices = np.array([[bottom_left, top_left, top_right, bottom_right]], dtype=np.int32)

  # 使用指定颜色填充多边形区域
  cv2.fillPoly(mask, vertices, ignore_mask_color)

  # 执行按位与运算实现ROI裁剪
  masked_image = cv2.bitwise_and(image, mask)
  return masked_image

对边缘检测图像进行ROI划定

roi_images = list(map(region_selection, edge_detected_images))
print("ROI划定完成")

4.2 霍夫变换直线检测

作用：霍夫变换是车道线检测的核心算法，相当于传统CV中的"检测模型"。

工作原理：

将图像空间中的直线转换为参数空间
通过累加器投票找到最可能的直线
适合检测车道线这种直线特征

def hough_transform(image):
"""在输入图像中执行霍夫变换直线检测"""
rho = 1 # 霍夫空间距离分辨率（单位：像素）
theta = np.pi/180 # 霍夫空间角度分辨率（单位：弧度）
threshold = 20 # 累加器阈值，仅返回超过此值的直线候选
minLineLength = 20 # 线段最小长度（短于此值将被拒绝）
maxLineGap = 300 # 同一直线上的点间最大允许间隔（单位：像素）
return cv2.HoughLinesP(image, rho=rho, theta=theta, threshold=threshold,
minLineLength=minLineLength, maxLineGap=maxLineGap)

对ROI图像进行霍夫变换

hough_lines = list(map(hough_transform, roi_images))
print("霍夫变换完成，检测到直线段")

知识点：

霍夫变换：经典直线检测算法，适合检测车道线
参数调优：需要根据实际情况调整参数（threshold、minLineLength、maxLineGap）

4.3 车道线平均化与外推优化

作用：这是后处理环节，对检测结果进行优化，生成更完整、更准确的车道线。

为什么需要优化？

霍夫变换可能检测到多条线段，需要：

平均化处理：将多条候选线段合并为单条车道线

外推优化：将线段延伸到图像边界，完整显示车道线

def average_slope_intercept(lines):
"""计算图像中左/右车道线的平均斜率与截距"""
left_lines = [] # (斜率, 截距)
left_weights = [] # (长度)
right_lines = [] # (斜率, 截距)
right_weights = [] # (长度)

复制代码

  if lines is not None:
      for line in lines:
          for x1, y1, x2, y2 in line:
              if x1 == x2:
                  continue
              slope = (y2 - y1) / (x2 - x1)
              intercept = y1 - (slope * x1)
              length = np.sqrt(((y2 - y1) ** 2) + ((x2 - x1) ** 2))
              
              # 根据斜率区分左右车道线
              if slope < 0:  # 左车道线（负斜率）
                  left_lines.append((slope, intercept))
                  left_weights.append(length)
              else:  # 右车道线（正斜率）
                  right_lines.append((slope, intercept))
                  right_weights.append(length)
  
  # 加权平均计算最终车道线
  left_lane = np.dot(left_weights, left_lines) / np.sum(left_weights) if len(left_weights) > 0 else None
  right_lane = np.dot(right_weights, right_lines) / np.sum(right_weights) if len(right_weights) > 0 else None
  
  return left_lane, right_lane

def draw_lane_lines(image, lines, color=[255, 0, 0], thickness=12):
"""在输入图像上绘制最终车道线"""
line_image = np.zeros_like(image)
left_line, right_line = lines
for line in [left_line, right_line]:
if line is not None:
cv2.line(line_image, *line, color, thickness)
return cv2.addWeighted(image, 1.0, line_image, 1.0, 0.0)

生成最终的车道线检测结果

lane_images = []
for image, lines in zip(test_images, hough_lines):
lane_lines_result = lane_lines(image, lines)
lane_images.append(draw_lane_lines(image, lane_lines_result))

print("车道线优化完成")

知识点：

斜率区分：根据斜率正负区分左右车道线
加权平均：根据线段长度加权平均，得到最终车道线
外推处理：将线段延伸到图像边界，完整显示车道线

阶段5：效果评估

3.5.1 图像检测效果评估

复制代码

# 保存检测结果图像
output_images_path = os.path.join(project_dir, "sample", "media", "output_images")
os.makedirs(output_images_path, exist_ok=True)

for i, (original_img, lane_img) in enumerate(zip(test_images, lane_images)):
    output_path = os.path.join(output_images_path, f"result_{i+1}.jpg")
    # 注意：OpenCV使用BGR格式，需要转换
    lane_img_bgr = cv2.cvtColor(lane_img, cv2.COLOR_RGB2BGR)
    cv2.imwrite(output_path, lane_img_bgr)
    print(f"  已保存: result_{i+1}.jpg")

print(f"\n✅ 所有检测结果已保存到: {output_images_path}")

评估结果：

✅ 能够检测白色和黄色车道线
✅ 能够处理不同光照条件
✅ 能够适应不同道路类型

阶段6：部署应用

3.6.1 视频流处理

复制代码

from moviepy.editor import VideoFileClip

def frame_processor(image):
    """视频帧处理主函数：实现车道线检测全流程"""
    # 完整的检测流程
    color_select = HSL_color_selection(image)      # 色彩空间选择
    gray = gray_scale(color_select)                 # 灰度化
    smooth = gaussian_smoothing(gray)               # 高斯滤波
    edges = canny_detector(smooth)                  # Canny边缘检测
    region = region_selection(edges)                # ROI划定
    hough = hough_transform(region)                # 霍夫变换
    result = draw_lane_lines(image, lane_lines(image, hough))  # 绘制车道线
    return result

def process_video(test_video, output_video):
    """视频流处理管道：读取输入视频并生成带车道线标注的输出视频"""
    input_path = os.path.join(input_videos_path, test_video)
    output_path = os.path.join(output_videos_path, output_video)
    
    # 加载视频文件
    input_video = VideoFileClip(input_path, audio=False)
    
    # 对每一帧应用检测算法
    processed = input_video.fl_image(frame_processor)
    
    # 保存处理后的视频
    processed.write_videofile(output_path, audio=False, verbose=False, logger=None)
    print(f"✅ 视频处理完成: {output_video}")

# 处理视频文件
process_video("solidWhiteRight.mp4", "solidWhiteRight_output.mp4")

知识点：

视频处理：使用MoviePy逐帧处理视频
实时处理：可以处理实时视频流（需要优化算法速度）

4. 关键技术点总结

4.1 传统计算机视觉技术

色彩空间选择：HSL比RGB更适合车道线检测
边缘检测：Canny算法能有效提取车道线轮廓
ROI划定：减少背景干扰，提高检测准确性
霍夫变换：经典直线检测算法，适合检测车道线

4.2 算法流程

完整的车道线检测流程：

复制代码

原始图像
    ↓
HSL色彩空间选择（突出白色/黄色车道线）
    ↓
灰度化处理
    ↓
高斯平滑滤波（降噪）
    ↓
Canny边缘检测
    ↓
ROI划定（感兴趣区域）
    ↓
霍夫变换（直线检测）
    ↓
车道线平均化与外推优化
    ↓
最终检测结果

4.3 传统CV vs 深度学习

特性	传统CV方法	深度学习
计算资源	低（普通CPU）	高（需要GPU）
训练数据	不需要	需要大量标注数据
可解释性	高	低
适应性	需要手工调参	自动学习特征
实时性	优秀	取决于模型复杂度

5. 项目总结与扩展

5.1 主要发现

传统CV方法有效：在不使用深度学习的情况下，可以实现较好的检测效果
色彩空间选择很重要：HSL比RGB更适合车道线检测
ROI划定提高效率：减少背景干扰，提高检测准确性
霍夫变换适合直线检测：经典算法在特定场景下效果很好

5.2 后续改进方向

使用深度学习：
- 尝试CNN进行车道线检测
- 使用语义分割模型
- 提高复杂场景的检测能力
实时性能优化：
- 优化算法速度
- 使用GPU加速
- 实现真正的实时处理
鲁棒性提升：
- 处理弯道场景
- 适应不同天气条件
- 处理遮挡和模糊情况
功能扩展：
- 车道偏离预警
- 车道宽度计算
- 车辆位置估计

6. 参考资料

技术文档：
- OpenCV官方文档：https://docs.opencv.org/
- NumPy官方文档：https://numpy.org/
- MoviePy官方文档：https://zulko.github.io/moviepy/
相关论文：
- 车道线检测的计算机视觉方法研究
- 霍夫变换在直线检测中的应用
代码仓库（在建中）：
- 项目代码可在GitHub上查看
- Jupyter Notebook文件包含完整的实现代码

结语

本项目完整展示了从需求界定到模型部署的AI项目周期，通过传统计算机视觉方法，我们成功实现了车道线检测。在实际应用中，可以根据具体需求选择传统CV方法或深度学习方法，各有优劣。传统CV方法计算资源需求低、可解释性强，适合简单场景；深度学习方法适应性更强，适合复杂场景。

希望本文能够帮助读者理解传统计算机视觉在自动驾驶中的应用，并为实际项目提供参考。如有问题或建议，欢迎交流讨论！

作者：Testopia
日期：2026年2月
标签：#计算机视觉 #OpenCV #车道线检测 #自动驾驶 #传统CV #AI项目周期 #Python

车道线检测：传统计算机视觉在自动驾驶中的应用

1. 引言

1.1 背景

1.2 应用场景

1.3 目标与价值

2. 概述

2.1 目标

2.2 任务类型

2.3 技术栈

2.4 数据集

3. AI项目周期6个阶段详解

阶段1：需求界定

3.1.1 问题定义

3.1.2 关键技术：传统计算机视觉

阶段2：数据获取

3.2.1 环境准备

3.2.2 数据加载

阶段3：数据分析

3.3.1 色彩空间选择

3.3.2 边缘检测

阶段4：模型构建

4.1 ROI划定

对边缘检测图像进行ROI划定

4.2 霍夫变换直线检测

对ROI图像进行霍夫变换

4.3 车道线平均化与外推优化

生成最终的车道线检测结果

阶段5：效果评估

3.5.1 图像检测效果评估

阶段6：部署应用

3.6.1 视频流处理

4. 关键技术点总结

4.1 传统计算机视觉技术

4.2 算法流程

4.3 传统CV vs 深度学习

5. 项目总结与扩展

5.1 主要发现

5.2 后续改进方向

6. 参考资料

结语