无人驾驶汽车技术之道路线识别

1引入：

无人驾驶技术近些年发展迅速。无人车若想实现自动驾驶，从视觉的角度上讲其要先学会观察道路，具体来说，就是检测车道线。包括识别车道线与车的位置关系，是实线还是虚线等。本文将通过简单的道路图片，检测识别车道线。
实验环境：Anaconda3(Python3.6)+Spyder+libopencv+WIN10

2原理：

首先读取图片，然后将图片转成灰度图片，高斯滤波，Canny边缘检测，划分ROI（Regine of Interest）区域，霍夫变换，道路线判断与重画，与原图叠加，最后输出图像。

3步骤：

（1）读取图片
（2）灰度转换：将RGB图片转换成灰度图片，用来作为Canny Edge Detection的输入。
（3）高斯滤波：Gaussian Smoothing是对图片apply一个Gaussian Filter，可以起到模糊图片和消除噪声的效果。其基本原理是重新计算图片中每个点的值，计算时取该点及其附近点的加权平均，权重符合高斯分布。Gaussian Filter是一种低通过滤器，能够抑制图片中的高频部分，而让低频部分顺利通过。
（4）Canny边缘检测：Canny Edge Detection：John F. Canny在1986年发明了Canny Edge Detection技术，其基本原理是对图片中各个点求gradient，gradient较大的地方往往是edge。Canny Edge Detection精妙的地方在于它有两个参数：low_threshold和high_threshold。算法先比较gradient与这两个threshold的关系，如果gradient > high_threshold，就承认这是一个edge point；如果gradient < low_threshold，就断定这不是edge point；对于其他的点，如果与edge point相连接，那么这个点被认为也是edge point，否则不是。
（5）划分ROI区域：ROI Based Edge Filtering：经过了Canny Edge Detection，似乎东西有点儿太多了，还有一个重要的条件没有用：camera相对于车是固定的，而无人车相对于车道的左右位置也是基本固定的，所以车道在camera视频中基本保持在一个固定区域内。据此我们可以画出一个大概的Region of Interest (ROI)，过滤掉ROI之外的edges。
（6）霍夫变换：Hough Transformation：目前看起来我们似乎已经得到了车道线了呢，因为最终目标是得到exactly两条直线！而目前现在图中不仅有多条线，还有一些点状和块状区域，Hough Transformation的目的就是找到图中的线。
（7）道路线判断与拟合：Lane Extrapolation：Almost there! 现在我们要根据得到的线计算出左车道和右车道，一种可以采用的步骤是：
1根据斜率正负划分某条线属于左车道或右车道
2分别对左右车道线移除outlier：迭代计算各条线的斜率与斜率均值的差，逐一移除差值过大的线
3分别对左右车道线的顶点集合做linear regression，得到最终车道。
（8）将结果和原图叠加。
（9）最后输出图像。

4识别过程：

过程中的参数