Udacity无人驾驶工程师学习笔记（一）

        无人驾驶是当前一个火热的话题，多个学科的人才开始涌入这个行业，udacity出了这门网课，在学习之余，我想记录下相关的知识点，以便于整理归类，同时借助这个平台也能够与大家一起讨论。本人非专业人士，不足之处请多指教！

        在第一学期的第一次课程中，首先讲到无人车的发展历程及美国的DAPAR无人车挑战赛，这里略过不写，从第二课写起。第二课主要阐述了车道线的识别方式，就目前而言，边缘检测加霍夫变换是比较传统的车道线检测，以深度学习为主流的检测方式是语义分割，更工程的则是边缘检测加特征提取。第二课中为我们带来的是边缘检测和霍夫变换。

        Udacity的网课中用的是Canny算子进行边缘检测。在进行边缘检测之前，需要将RGB（或BGR）图像转化为灰度图，再利用高斯滤波对图片进行平滑，opencv中提供了相应的函数，分别是cv2.cvtColor()  cv2.GaussianBlur()   cv2.Canny()，顺序使用上面三个函数，我们就得到了图像的灰度图。下面，再利用霍夫变换即可得到车道信息。我们知道，平面坐标系中，我们可以使用y=ax+b去表示一条直线，坐标轴为x,y；而霍夫空间中，则是用b=-ax+y去表达，坐标轴为a和b。可以看出，对所有直线上y=ax+b上的点，都对应霍夫空间中的一点，即(-a,b)，因此对灰度图做霍夫变换之后，我们能够知道那些在同一条直线上的点所构成的直线的相应参数，即a和b。