### 使用OpenCV实现传统车道线实时检测 #### 颜色空间转换与阈值分割 为了提高后续处理的效果，通常会先将输入图像从RGB色彩空间转换到HSV或其他更适合的颜色空间。这一步骤有助于更精确地区分不同类型的路面标记。 ```python import cv2 import numpy as np def preprocess_image(image): hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) lower_yellow = np.array([20, 100, 100]) upper_yellow = np.array([30, 255, 255]) mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow) sensitivity_1 = 68 lower_white = np.array([0, 0, 255-sensitivity_1]) upper_white = np.array([255, sensitivity_1, 255]) mask_white = cv2.inRange(hsv, lower_white, upper_white) combined_mask = cv2.bitwise_or(mask_white, mask_yellow) return combined_mask ``` #### 图像预处理 经过颜色过滤后的二值化图片还需要进一步平滑处理以减少噪声影响。采用高斯模糊滤波器可以有效地降低随机噪点带来的干扰[^1]。 ```python def apply_gaussian_blur(gray_img): blurred = cv2.GaussianBlur(gray_img, (5, 5), 0) return blurred ``` #### 边缘特征提取 Canny算子被广泛应用于边缘检测领域，因为它能够在保持良好定位精度的同时抑制虚假响应。设置合适的高低阈值对于获取清晰的边缘至关重要[^4]。 ```python def detect_edges(blurred_gray_img): edges = cv2.Canny(blurred_gray_img, 50, 150) return edges ``` #### ROI区域裁剪 考虑到车辆行驶过程中摄像头视角相对固定的特点，可以通过定义感兴趣区(Region of Interest, ROI)，即只关注可能含有车道线的部分画面，忽略无关背景信息，以此简化计算量并提升准确性。 ```python def region_of_interest(edges): height, width = edges.shape[:2] polygons = np.array([ [(int(width*0.1), int(height)), (int(width*0.9), int(height)), (int(width*0.5), int(height*0.6))] ]) mask = np.zeros_like(edges) ignore_mask_color = 255 cv2.fillPoly(mask, polygons, ignore_mask_color) masked_edges = cv2.bitwise_and(edges, mask) return masked_edges ``` #### 直线拟合与绘制 最后阶段是对筛选出来的候选线条应用最小二乘法或者其他稳健估计技术来进行最终的直线拟合，并在原图上画出预测得到的车道边界位置。为了避免单次误检造成的影响，还可以引入时间维度上的约束条件——比如当期帧未能成功识别时借用前几秒内保存的历史记录来填补空白[^3]。 ```python def draw_lines(img, lines, color=[255, 0, 0], thickness=7): line_img = np.zeros((img.shape[0], img.shape[1], 3), dtype=np.uint8) if lines is not None: for line in lines: for x1,y1,x2,y2 in line: cv2.line(line_img,(x1,y1),(x2,y2),color,thickness) combo = cv2.addWeighted(img, 0.8, line_img, 1, 0) return combo ``` 上述流程构成了一个完整的基于OpenCV的传统车道线实时检测方案。值得注意的是，在实际部署之前还需针对具体应用场景微调各个步骤中的参数配置，确保系统能在复杂多变的道路环境中稳定运行。