利用霍夫变换和聚类算法进行车道线检测

. 优点：
可以将所有的车道线检测出来。
2. 缺点：
稳定性差，不能适应所有的场景。
对于对比度不明显的车道线，检测效果较差。
霍夫变换检测出的直线较多。
对弯曲的车道线无法检测。
原图：

这是最终的霍夫变换对车道线的检测效果。

3. 可以通过聚类算法，对霍夫变换的检测结果进一步优化，便于进行车辆统计和车辆占用应急车道的检测。如图所示，这是经过聚类算法处理之后的结果，从结果来看，将路沿的多条直线已经聚类成一条直线。

注： 聚类算法结果的输出具有随机性，如何能够通过聚类算法得到自己想要的结果，需要做一些限制。
原因：初始化参数矩阵时，不同的随机数导致不同的结果。
算法步骤：
（1）图像灰度化。
（2）图像去燥
（3）确定图像感兴趣区域
（4）canny算子提取边缘
（5）霍夫变换进行直线检测（核心步骤）
（6）聚类算法优化霍夫变换提取的直线（核心步骤）
（7）输出车道线两点坐标
问题1：道路场景发生变化时，ROI区域会发生变化，ROI区域的变化会导致检测结果出现偏差。
解决办法1：设定多个ROI区域。
风险：路边景物会影响车道线的检测，导致最终的检测结果偏差很大。
解决办法1：设定滑动框，遍历所有的ROI，如果结果合理，则保留结果。否则，则继续遍历滑动框，最终得到正确的检测结果。
风险：可能会导致在某些帧检测时出现延时。
问题2：如何确定检测结果是合理的，如果不合理时，如何想办法解决。
解决办法：可以设定一些固定参数，用这些固定参数衡量进行自适应修改。如果与固定参数相差很远，用固定参数替代检测结果。
问题3：不合理的情况有很多种，如何针对不同的情况进行针对性修改。
问题5：如何让算法自身能够自适应地调节某些参数。
原因：设定固定参数容易使得场景在某些情况无法适应。
问题6：为什么路边景物会检测出那么多直线。
问题7：浮点运算可能导致结果出现偏差。
解决办法：合并斜率接近的线。
现有方案的缺点：（1）检测结果的稳定性差
（2）严重依赖于ROI区域的设定
优化方案1：（1）工程化方法完成车道线聚类，即车道线分类时，人为设定一些参数。
（2）mask方法可以提高算法运行的效率。
流程方案：（1）灰度化。
（2）canny算子检测边缘。
（3）mask确定ROI区域（需要多个mask，工程后期优化）
（4）霍夫变换检测直线。
（5）聚类（如何聚类，道路边界，中间分隔线已经清楚，是否可以就此推断应急车道线，作为一个修正方案）。
存在的问题：（2019.6.21）
mask的调用：不同的路段，mask不同，如何快速地调用mask
图像检测结果准确性的验证：（1）从何时介入验证，效率和稳定性更高
（2） 验证方法
（3）验证结果如何处理
现有方案需要处理的问题：
（1）ROI区域和车道的匹配。
ROI区域和车道的匹配是能否准确检测出车道线的基础。
（2）如何判断ROI区域和道路匹配准确。
1）初始化如何判断。
ROI区域内的直线条数是否为一个范围，存在上限和下限。或者每个ROI相对应的直线条数为一个固定的值，是否有一个统计值。
2）在运行过程中如何判断。
（3）聚类算法导致的车道线拟合偏差过大。
可以用先验车道线信息去替代。
方案参数：
输入参数：最小最大斜率，该斜率值与mask的边界有关。
方案的核心问题：mask与道路的匹配。
mask与道路匹配的标准是什么。
是否可以检测出应急车道线，若能，则认为匹配，不能，则重新匹配。（该标准也可以用于聚类车道线）
方案对拍摄视频的要求：必须将左右车道完整检测出来。
注：聚类算法抗噪声能力较弱，尤其是数据量较少时，无法准确评估聚类中心。
参考链接：
https://blog.csdn.net/u010712012/article/details/88118907
https://blog.csdn.net/abcjennifer/article/details/6674572
https://blog.csdn.net/u010712012/article/details/87952752