机器学习实践系列之11 - OpenCV实战车道线检测

       ADAS 在经过资本的一轮热炒之后已经不新鲜了，Mobile Eye的技术积累和效果也让很多童鞋叹为观止，然后奋起直指！

       初学者为代表的童鞋，二话不说，上来就是霍夫变换，还是直接用opencv里带的，入门很好，实力一下就暴漏个底掉。又做了一番调研，发现了Hough变换的缺点，然后开始搞模板，形状匹配、轮廓提取、样本训练，效果仍旧不理想，无法应对恶劣天气、不能适应光线变化，总之鲁棒性很差。

       怎么办呢？放弃么？No，越是没有完美解决的问题，越是需要去探索，看到了Mobile Eye的所谓车道线推理（Holistic Path Planning），也不管是真是假，一窝蜂的都去搞灭点，不得不说，国内的研究氛围真是 “热而不沸”。

       作者仅从以下几个角度给出研究方向（不涉及细节）：

一. 轮廓检测

       轮廓检测是车道线识别第一步，通常边缘检测是需要用到的，在理想情况下，边缘检测＋Hough变化 确实能够得到比较准确的结果，但实际的道路通常无法满足这个假设，我们得到的边缘往往是嘈杂的，没有规律的，当然这里面可能有很多原因：路线损坏、老化、遮挡、阴影、强光，不胜枚举。

       不去管它，我们的目标很明确，从这些复杂边缘中 找出真正的 车道线（平行闭合轮廓）。

二. 透视变换与灭点

       透视变换 是很重要的信息，有了投影矩阵，就能在已知一条道线的情况下，对另一条道线进行推断，也可以通过该变换对检测结果进行反向投影，通过双向误差校验来进行道线修正。

       灭点：在透视投影中，一束平行于投影面的平行线的投影可以保持平行，而不平行于投影面的平行线的投影会聚集到一个点，这个点成为灭点（Vanishing Point）。

      检测到的平行车道线汇聚于灭点，该点有两个作用：

 1）作为参考比例，检测近端车道线的准确性；

 2）与近端车道线中点连线，计算车道线偏移；

三. 方向系数修正

       方向系数修正用来解决快速运动的问题，里面需要用到的参数包括：路宽、轮廓线弯曲度与弯曲一致性。 轮廓曲线通常采用样条曲线来拟合。