简介这是一套面向计算机视觉初学者与智能交通方向开发者的车道检测实战源码基于Python与OpenCV实现视频流中的道路车道线识别适合作为课程设计、毕业设计或算法练手项目。压缩包共89个文件约49.92MB包含6个Python源码文件与4个字节码文件承载核心算法逻辑41个PNG与28个JPG图片用于摄像头标定、透视变换及检测结果对比展示另有XML参数配置、MP4输入输出视频及LICENSE许可说明。源码按功能拆分为摄像头标定、阈值组合、透视变换、线段拟合与视频处理等模块覆盖畸变校正、边缘检测、图像滤波、俯视视角转换到车道线拟合的完整链路并附带处理前后视频便于直观验证效果。目前已有436人学习下载读者可据此理解车道检测的工程实现思路并在此基础上扩展优化适配不同道路场景与实时性需求。1. 从一段行车记录仪视频说起车道检测到底在做什么很多人第一次接触 OpenCV 的 Python 视频道路车道检测是拿一段行车记录仪视频想让它自动把左右车道线画出来。听起来简单真跑起来才发现白天效果还行一到逆光、夜间、虚线、弯道就开始翻车。这个标题背后其实是一套完整的图像处理流水线——读视频帧、灰度化、高斯滤波、Canny 边缘检测、ROI 区域裁剪、霍夫变换提取直线、拟合左右车道、叠加回原视频输出。它解决的是让机器从连续视频流里稳定识别车道边界的问题是 ADAS 和自动驾驶感知层最基础的入门项目。适合有 Python 基础、想入门计算机视觉的开发者也适合做课程设计或毕业设计的学生。源码本身不复杂难的是参数调优和场景适配这也是后面几章要重点拆的部分。2. 车道检测流水线的原理与选型为什么是这套组合2.1 从一帧图像到车道线六个处理阶段的职责划分一条完整的车道检测流水线本质是把原始 BGR 帧逐步抽象成几何直线。常见做法是六步走灰度转换把三通道压成单通道减少计算量高斯模糊抑制噪点避免 Canny 把路面纹理误判成边缘Canny 做双阈值边缘提取得到二值边缘图ROI 裁剪用梯形掩膜只保留画面下半部分的车道区域霍夫变换把边缘像素聚合成直线段最后按斜率分左右车道并拟合。每一步都有明确的输入输出出问题时可以单独可视化中间结果来定位。我一般会在调试阶段把每一步的中间图都存下来这样哪一步翻车一目了然比盲调参数高效得多。2.2 霍夫变换 vs 最小二乘拟合两种车道线提取路线的取舍霍夫变换Hough Transform是这套源码里最常见的直线提取方式OpenCV 提供了cv2.HoughLinesP概率版直接输出线段端点。它的优势是对断线、虚线容忍度高不需要预先知道车道数量缺点是参数敏感threshold、minLineLength、maxLineGap三个值稍微变一下结果就完全不同。另一条路线是先 Canny 得到边缘点再用最小二乘或多项式拟合左右车道曲线适合弯道场景但需要先做像素点分类。实际项目中直道为主用霍夫变换足够弯道多的话建议在霍夫基础上加滑动窗口或透视变换做曲线拟合。选型时先看你的视频场景高速直道选霍夫城市弯道选拟合。2.3 环境搭建OpenCV 安装与视频读取的最小可跑代码先把环境跑通。Python 建议 3.8 以上OpenCV 用opencv-python包即可不需要编译源码。安装命令和最小读取代码如下pip install opencv-python numpyimport cv2 import numpy as np # 打开视频文件0 表示默认摄像头 cap cv2.VideoCapture(road.mp4) if not cap.isOpened(): raise RuntimeError(视频打开失败检查路径或编码格式) while True: ret, frame cap.read() if not ret: break # 视频结束 # 后续处理都基于 frame cv2.imshow(frame, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()VideoCapture的参数可以是文件路径、摄像头索引或 RTSP 地址。cap.read()返回ret和frameret为 False 说明读取结束或失败。waitKey(1)控制帧间隔值越大播放越慢。如果遇到ModuleNotFoundError: No module named opencv说明包没装到当前 Python 环境用pip show opencv-python确认安装位置。VSCode 里记得选对解释器否则终端能跑、编辑器报错。2.4 Canny 与 ROI 的参数怎么定三个必调值Canny 的两个阈值和 ROI 的梯形顶点是影响效果最大的参数。常见起点是低阈值 50、高阈值 150比例 1:2 或 1:3。ROI 梯形一般取画面高度的 0.6 到 1.0 之间上边窄下边宽。代码示例如下def region_of_interest(img): height, width img.shape[:2] # 梯形顶点左下、左上、右上、右下 polygons np.array([[ (0, height), (width * 0.45, height * 0.6), (width * 0.55, height * 0.6), (width, height) ]], dtypenp.int32) mask np.zeros_like(img) cv2.fillPoly(mask, polygons, 255) return cv2.bitwise_and(img, mask) gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (5, 5), 0) edges cv2.Canny(blur, 50, 150) roi region_of_interest(edges)GaussianBlur的核大小必须是奇数(5,5)是常用值噪点多可以加到(7,7)。ROI 的0.45和0.55控制梯形上边宽度弯道多的话上边可以放宽。fillPoly的第三个参数 255 表示白色掩膜bitwise_and只保留掩膜内的边缘。如果边缘图一片黑先检查 Canny 阈值是不是太高如果 ROI 把车道切掉了调0.6这个高度比例。3. 从边缘到车道线霍夫变换与左右车道拟合的完整实现3.1 HoughLinesP 的三个关键参数与调参逻辑cv2.HoughLinesP的输出是 N 条线段的端点坐标参数直接决定检测密度。核心三个参数threshold是累加器阈值越大越严格线段越少minLineLength是最短线段长度小于这个值的线段被丢弃maxLineGap是同一条线上允许的最大间断虚线场景要调大。我一般从threshold50、minLineLength100、maxLineGap50起步然后根据实际画面微调。代码lines cv2.HoughLinesP( roi, rho1, # 距离分辨率像素 thetanp.pi/180, # 角度分辨率1 度 threshold50, # 累加器阈值 minLineLength100, # 最短线段 maxLineGap50 # 最大间断 )rho和theta一般不用改1和π/180是精度和性能的平衡点。threshold调低会检出很多短噪线调高会漏掉虚线。maxLineGap是虚线场景的关键太小虚线会被切成碎片太大又会把相邻车道连起来。建议先用一段固定视频反复试找到一组稳定值再换场景。3.2 按斜率分左右车道并做线性拟合霍夫输出的线段是杂乱的需要按斜率分成左右两组再各自拟合出一条代表线。斜率接近 0 的是水平线直接过滤斜率为负的是左车道为正的是右车道图像坐标系 y 向下。代码def separate_lines(lines, width): left, right [], [] if lines is None: return left, right for line in lines: x1, y1, x2, y2 line[0] if x1 x2: continue # 垂直线跳过避免除零 slope (y2 - y1) / (x2 - x1) if abs(slope) 0.3: continue # 太接近水平不是车道线 if slope 0 and x1 width / 2: left.append(line[0]) elif slope 0 and x1 width / 2: right.append(line[0]) return left, right def fit_line(lines, height): if not lines: return None xs, ys [], [] for x1, y1, x2, y2 in lines: xs.extend([x1, x2]) ys.extend([y1, y2]) # 一次多项式拟合 y kx b coeffs np.polyfit(ys, xs, 1) y1, y2 height, int(height * 0.6) x1 int(np.polyval(coeffs, y1)) x2 int(np.polyval(coeffs, y2)) return (x1, y1, x2, y2)np.polyfit(ys, xs, 1)这里把 y 当自变量、x 当因变量是因为车道线接近垂直用 y 拟合 x 更稳定。height * 0.6是拟合线的上端点和 ROI 上边对齐。如果某侧没有检测到线fit_line返回 None绘制时跳过即可。实际跑起来会发现左右车道偶尔互换那是斜率符号判断在弯道时失效后面避坑章节会讲。3.3 把车道线叠加回视频并输出结果文件检测到左右车道后用cv2.line画到原帧上再用VideoWriter写出结果视频。代码fourcc cv2.VideoWriter_fourcc(*mp4v) out cv2.VideoWriter(output.mp4, fourcc, 25, (width, height)) # 在循环内拟合完成后 overlay frame.copy() if left_line: cv2.line(overlay, (left_line[0], left_line[1]), (left_line[2], left_line[3]), (0, 0, 255), 8) if right_line: cv2.line(overlay, (right_line[0], right_line[1]), (right_line[2], right_line[3]), (0, 255, 0), 8) result cv2.addWeighted(frame, 0.8, overlay, 1.0, 0) out.write(result)VideoWriter_fourcc(*mp4v)是 MP4 编码帧率要和源视频一致否则输出会快放或慢放。addWeighted把原帧和叠加帧按 0.8:1.0 混合让车道线更醒目但不遮住路面。cv2.line的线宽 8 是经验值分辨率高可以加到 10。输出文件如果打不开检查 fourcc 和文件扩展名是否匹配Linux 下有时需要换成XVID配合.avi。4. 避坑与排查车道检测最常见的五个翻车现场4.1 现象视频能打开但一帧都读不出来原因通常是编码格式不支持或路径含中文。OpenCV 底层用 FFmpeg某些 H.265 或特殊封装的 MP4 会解码失败。解决先用ffmpeg -i input.mp4 -c copy output.mp4转成标准 H.264或者把文件路径改成纯英文。另外cap.isOpened()返回 True 不代表能读到帧要在循环里检查ret。4.2 现象白天正常夜间或逆光完全检测不到原因是 Canny 的固定阈值在低对比度场景下失效。夜间路面和车道线灰度差很小50/150 的阈值要么全黑要么全是噪点。解决改用自适应阈值或者先做直方图均衡化cv2.equalizeHist再进 Canny。更稳的做法是把 Canny 换成cv2.adaptiveThreshold但要注意它输出的是二值图不是边缘图后续霍夫参数要重新调。4.3 现象左右车道线频繁互换或跳变原因是斜率符号判断在弯道或车道线交叉时不可靠。图像坐标系下左车道斜率不一定永远为负。解决不要只靠斜率结合线段中点的 x 坐标和画面中线比较或者用上一帧的结果做平滑。我一般会加一个简单的卡尔曼滤波或滑动平均让车道线在时间维度上稳定下来单帧抖动会明显减少。4.4 现象虚线被检测成很多短线段拟合出来是折线原因是maxLineGap太小虚线之间的间隔被当成断点。解决把maxLineGap从 50 调到 100 甚至 150让霍夫把虚线片段连起来。同时minLineLength可以适当降低避免短虚线被过滤。如果调完还是碎考虑先做形态学闭运算cv2.morphologyEx把虚线膨胀成实线再检测。4.5 现象ROI 梯形把弯道车道切掉了原因是梯形上边太窄弯道时车道线跑到了 ROI 外面。解决把上边宽度从0.45~0.55放宽到0.35~0.65或者改用动态 ROI——根据上一帧车道线位置调整梯形顶点。固定 ROI 只适合直道弯道场景建议上边直接开到画面宽度的 0.3 到 0.7。另外 ROI 高度比例0.6也可以降到0.5给弯道留更多空间。5. 进阶技巧用透视变换把车道检测从能跑变成好用前面四章跑通的是「能检测」但真正让车道检测好用关键一步是透视变换Perspective Transform。它的作用是把前视视角的梯形车道区域映射成俯视的矩形车道线在俯视图里变成近似平行线拟合和测距都更准。这一步在车道偏离预警和曲率计算里几乎是标配。具体做法是选四个源点ROI 梯形的四个顶点和四个目标点俯视图矩形的四个角用cv2.getPerspectiveTransform求变换矩阵再cv2.warpPerspective应用。代码src np.float32([ [width * 0.45, height * 0.6], [width * 0.55, height * 0.6], [width, height], [0, height] ]) dst np.float32([ [width * 0.2, 0], [width * 0.8, 0], [width * 0.8, height], [width * 0.2, height] ]) M cv2.getPerspectiveTransform(src, dst) warped cv2.warpPerspective(frame, M, (width, height))src的四个点顺序要和dst一一对应顺序错了会得到镜像或旋转的结果。dst的左右边界0.2和0.8控制俯视图的横向缩放太窄车道线会挤在一起太宽会拉伸变形。变换后的warped图里车道线接近垂直霍夫的斜率判断可以简化成只看 x 坐标。另一个实用技巧是滑动窗口搜索。在俯视图上从画面底部开始用直方图找到车道像素的峰值位置然后向上逐层开窗搜索每层根据上一层窗口内的像素更新中心。这个方法比全局霍夫更稳尤其适合弯道。窗口宽度一般取画面宽度的 1/9层数 9 层minpix设为 50 表示窗口内至少 50 个像素才重新居中。验证效果时我习惯用两个指标一是车道线在连续 100 帧内的跳变次数二是俯视图里左右车道线的平行度。跳变次数多说明时间平滑不够平行度差说明透视矩阵没调好。这两个指标比肉眼看视频靠谱得多。最后说个血泪经验车道检测的参数没有一套通吃的。我一开始总想找一组万能参数结果换了三段视频就全崩。后来改成按场景分组——白天直道、夜间直道、白天弯道各存一套参数运行时根据画面亮度自动切换稳定性立刻上来了。如果你也在做这个方向别追求一步到位先把一段固定视频调稳再逐步加场景。希望帮到你。本文还有配套的精品资源点击获取 OpenCV Python视频车道检测实战：从霍夫变换到透视变换的完整实现与避坑指南
简介这是一套面向计算机视觉初学者与智能交通方向开发者的车道检测实战源码基于Python与OpenCV实现视频流中的道路车道线识别适合作为课程设计、毕业设计或算法练手项目。压缩包共89个文件约49.92MB包含6个Python源码文件与4个字节码文件承载核心算法逻辑41个PNG与28个JPG图片用于摄像头标定、透视变换及检测结果对比展示另有XML参数配置、MP4输入输出视频及LICENSE许可说明。源码按功能拆分为摄像头标定、阈值组合、透视变换、线段拟合与视频处理等模块覆盖畸变校正、边缘检测、图像滤波、俯视视角转换到车道线拟合的完整链路并附带处理前后视频便于直观验证效果。目前已有436人学习下载读者可据此理解车道检测的工程实现思路并在此基础上扩展优化适配不同道路场景与实时性需求。1. 从一段行车记录仪视频说起车道检测到底在做什么很多人第一次接触 OpenCV 的 Python 视频道路车道检测是拿一段行车记录仪视频想让它自动把左右车道线画出来。听起来简单真跑起来才发现白天效果还行一到逆光、夜间、虚线、弯道就开始翻车。这个标题背后其实是一套完整的图像处理流水线——读视频帧、灰度化、高斯滤波、Canny 边缘检测、ROI 区域裁剪、霍夫变换提取直线、拟合左右车道、叠加回原视频输出。它解决的是让机器从连续视频流里稳定识别车道边界的问题是 ADAS 和自动驾驶感知层最基础的入门项目。适合有 Python 基础、想入门计算机视觉的开发者也适合做课程设计或毕业设计的学生。源码本身不复杂难的是参数调优和场景适配这也是后面几章要重点拆的部分。2. 车道检测流水线的原理与选型为什么是这套组合2.1 从一帧图像到车道线六个处理阶段的职责划分一条完整的车道检测流水线本质是把原始 BGR 帧逐步抽象成几何直线。常见做法是六步走灰度转换把三通道压成单通道减少计算量高斯模糊抑制噪点避免 Canny 把路面纹理误判成边缘Canny 做双阈值边缘提取得到二值边缘图ROI 裁剪用梯形掩膜只保留画面下半部分的车道区域霍夫变换把边缘像素聚合成直线段最后按斜率分左右车道并拟合。每一步都有明确的输入输出出问题时可以单独可视化中间结果来定位。我一般会在调试阶段把每一步的中间图都存下来这样哪一步翻车一目了然比盲调参数高效得多。2.2 霍夫变换 vs 最小二乘拟合两种车道线提取路线的取舍霍夫变换Hough Transform是这套源码里最常见的直线提取方式OpenCV 提供了cv2.HoughLinesP概率版直接输出线段端点。它的优势是对断线、虚线容忍度高不需要预先知道车道数量缺点是参数敏感threshold、minLineLength、maxLineGap三个值稍微变一下结果就完全不同。另一条路线是先 Canny 得到边缘点再用最小二乘或多项式拟合左右车道曲线适合弯道场景但需要先做像素点分类。实际项目中直道为主用霍夫变换足够弯道多的话建议在霍夫基础上加滑动窗口或透视变换做曲线拟合。选型时先看你的视频场景高速直道选霍夫城市弯道选拟合。2.3 环境搭建OpenCV 安装与视频读取的最小可跑代码先把环境跑通。Python 建议 3.8 以上OpenCV 用opencv-python包即可不需要编译源码。安装命令和最小读取代码如下pip install opencv-python numpyimport cv2 import numpy as np # 打开视频文件0 表示默认摄像头 cap cv2.VideoCapture(road.mp4) if not cap.isOpened(): raise RuntimeError(视频打开失败检查路径或编码格式) while True: ret, frame cap.read() if not ret: break # 视频结束 # 后续处理都基于 frame cv2.imshow(frame, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()VideoCapture的参数可以是文件路径、摄像头索引或 RTSP 地址。cap.read()返回ret和frameret为 False 说明读取结束或失败。waitKey(1)控制帧间隔值越大播放越慢。如果遇到ModuleNotFoundError: No module named opencv说明包没装到当前 Python 环境用pip show opencv-python确认安装位置。VSCode 里记得选对解释器否则终端能跑、编辑器报错。2.4 Canny 与 ROI 的参数怎么定三个必调值Canny 的两个阈值和 ROI 的梯形顶点是影响效果最大的参数。常见起点是低阈值 50、高阈值 150比例 1:2 或 1:3。ROI 梯形一般取画面高度的 0.6 到 1.0 之间上边窄下边宽。代码示例如下def region_of_interest(img): height, width img.shape[:2] # 梯形顶点左下、左上、右上、右下 polygons np.array([[ (0, height), (width * 0.45, height * 0.6), (width * 0.55, height * 0.6), (width, height) ]], dtypenp.int32) mask np.zeros_like(img) cv2.fillPoly(mask, polygons, 255) return cv2.bitwise_and(img, mask) gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (5, 5), 0) edges cv2.Canny(blur, 50, 150) roi region_of_interest(edges)GaussianBlur的核大小必须是奇数(5,5)是常用值噪点多可以加到(7,7)。ROI 的0.45和0.55控制梯形上边宽度弯道多的话上边可以放宽。fillPoly的第三个参数 255 表示白色掩膜bitwise_and只保留掩膜内的边缘。如果边缘图一片黑先检查 Canny 阈值是不是太高如果 ROI 把车道切掉了调0.6这个高度比例。3. 从边缘到车道线霍夫变换与左右车道拟合的完整实现3.1 HoughLinesP 的三个关键参数与调参逻辑cv2.HoughLinesP的输出是 N 条线段的端点坐标参数直接决定检测密度。核心三个参数threshold是累加器阈值越大越严格线段越少minLineLength是最短线段长度小于这个值的线段被丢弃maxLineGap是同一条线上允许的最大间断虚线场景要调大。我一般从threshold50、minLineLength100、maxLineGap50起步然后根据实际画面微调。代码lines cv2.HoughLinesP( roi, rho1, # 距离分辨率像素 thetanp.pi/180, # 角度分辨率1 度 threshold50, # 累加器阈值 minLineLength100, # 最短线段 maxLineGap50 # 最大间断 )rho和theta一般不用改1和π/180是精度和性能的平衡点。threshold调低会检出很多短噪线调高会漏掉虚线。maxLineGap是虚线场景的关键太小虚线会被切成碎片太大又会把相邻车道连起来。建议先用一段固定视频反复试找到一组稳定值再换场景。3.2 按斜率分左右车道并做线性拟合霍夫输出的线段是杂乱的需要按斜率分成左右两组再各自拟合出一条代表线。斜率接近 0 的是水平线直接过滤斜率为负的是左车道为正的是右车道图像坐标系 y 向下。代码def separate_lines(lines, width): left, right [], [] if lines is None: return left, right for line in lines: x1, y1, x2, y2 line[0] if x1 x2: continue # 垂直线跳过避免除零 slope (y2 - y1) / (x2 - x1) if abs(slope) 0.3: continue # 太接近水平不是车道线 if slope 0 and x1 width / 2: left.append(line[0]) elif slope 0 and x1 width / 2: right.append(line[0]) return left, right def fit_line(lines, height): if not lines: return None xs, ys [], [] for x1, y1, x2, y2 in lines: xs.extend([x1, x2]) ys.extend([y1, y2]) # 一次多项式拟合 y kx b coeffs np.polyfit(ys, xs, 1) y1, y2 height, int(height * 0.6) x1 int(np.polyval(coeffs, y1)) x2 int(np.polyval(coeffs, y2)) return (x1, y1, x2, y2)np.polyfit(ys, xs, 1)这里把 y 当自变量、x 当因变量是因为车道线接近垂直用 y 拟合 x 更稳定。height * 0.6是拟合线的上端点和 ROI 上边对齐。如果某侧没有检测到线fit_line返回 None绘制时跳过即可。实际跑起来会发现左右车道偶尔互换那是斜率符号判断在弯道时失效后面避坑章节会讲。3.3 把车道线叠加回视频并输出结果文件检测到左右车道后用cv2.line画到原帧上再用VideoWriter写出结果视频。代码fourcc cv2.VideoWriter_fourcc(*mp4v) out cv2.VideoWriter(output.mp4, fourcc, 25, (width, height)) # 在循环内拟合完成后 overlay frame.copy() if left_line: cv2.line(overlay, (left_line[0], left_line[1]), (left_line[2], left_line[3]), (0, 0, 255), 8) if right_line: cv2.line(overlay, (right_line[0], right_line[1]), (right_line[2], right_line[3]), (0, 255, 0), 8) result cv2.addWeighted(frame, 0.8, overlay, 1.0, 0) out.write(result)VideoWriter_fourcc(*mp4v)是 MP4 编码帧率要和源视频一致否则输出会快放或慢放。addWeighted把原帧和叠加帧按 0.8:1.0 混合让车道线更醒目但不遮住路面。cv2.line的线宽 8 是经验值分辨率高可以加到 10。输出文件如果打不开检查 fourcc 和文件扩展名是否匹配Linux 下有时需要换成XVID配合.avi。4. 避坑与排查车道检测最常见的五个翻车现场4.1 现象视频能打开但一帧都读不出来原因通常是编码格式不支持或路径含中文。OpenCV 底层用 FFmpeg某些 H.265 或特殊封装的 MP4 会解码失败。解决先用ffmpeg -i input.mp4 -c copy output.mp4转成标准 H.264或者把文件路径改成纯英文。另外cap.isOpened()返回 True 不代表能读到帧要在循环里检查ret。4.2 现象白天正常夜间或逆光完全检测不到原因是 Canny 的固定阈值在低对比度场景下失效。夜间路面和车道线灰度差很小50/150 的阈值要么全黑要么全是噪点。解决改用自适应阈值或者先做直方图均衡化cv2.equalizeHist再进 Canny。更稳的做法是把 Canny 换成cv2.adaptiveThreshold但要注意它输出的是二值图不是边缘图后续霍夫参数要重新调。4.3 现象左右车道线频繁互换或跳变原因是斜率符号判断在弯道或车道线交叉时不可靠。图像坐标系下左车道斜率不一定永远为负。解决不要只靠斜率结合线段中点的 x 坐标和画面中线比较或者用上一帧的结果做平滑。我一般会加一个简单的卡尔曼滤波或滑动平均让车道线在时间维度上稳定下来单帧抖动会明显减少。4.4 现象虚线被检测成很多短线段拟合出来是折线原因是maxLineGap太小虚线之间的间隔被当成断点。解决把maxLineGap从 50 调到 100 甚至 150让霍夫把虚线片段连起来。同时minLineLength可以适当降低避免短虚线被过滤。如果调完还是碎考虑先做形态学闭运算cv2.morphologyEx把虚线膨胀成实线再检测。4.5 现象ROI 梯形把弯道车道切掉了原因是梯形上边太窄弯道时车道线跑到了 ROI 外面。解决把上边宽度从0.45~0.55放宽到0.35~0.65或者改用动态 ROI——根据上一帧车道线位置调整梯形顶点。固定 ROI 只适合直道弯道场景建议上边直接开到画面宽度的 0.3 到 0.7。另外 ROI 高度比例0.6也可以降到0.5给弯道留更多空间。5. 进阶技巧用透视变换把车道检测从能跑变成好用前面四章跑通的是「能检测」但真正让车道检测好用关键一步是透视变换Perspective Transform。它的作用是把前视视角的梯形车道区域映射成俯视的矩形车道线在俯视图里变成近似平行线拟合和测距都更准。这一步在车道偏离预警和曲率计算里几乎是标配。具体做法是选四个源点ROI 梯形的四个顶点和四个目标点俯视图矩形的四个角用cv2.getPerspectiveTransform求变换矩阵再cv2.warpPerspective应用。代码src np.float32([ [width * 0.45, height * 0.6], [width * 0.55, height * 0.6], [width, height], [0, height] ]) dst np.float32([ [width * 0.2, 0], [width * 0.8, 0], [width * 0.8, height], [width * 0.2, height] ]) M cv2.getPerspectiveTransform(src, dst) warped cv2.warpPerspective(frame, M, (width, height))src的四个点顺序要和dst一一对应顺序错了会得到镜像或旋转的结果。dst的左右边界0.2和0.8控制俯视图的横向缩放太窄车道线会挤在一起太宽会拉伸变形。变换后的warped图里车道线接近垂直霍夫的斜率判断可以简化成只看 x 坐标。另一个实用技巧是滑动窗口搜索。在俯视图上从画面底部开始用直方图找到车道像素的峰值位置然后向上逐层开窗搜索每层根据上一层窗口内的像素更新中心。这个方法比全局霍夫更稳尤其适合弯道。窗口宽度一般取画面宽度的 1/9层数 9 层minpix设为 50 表示窗口内至少 50 个像素才重新居中。验证效果时我习惯用两个指标一是车道线在连续 100 帧内的跳变次数二是俯视图里左右车道线的平行度。跳变次数多说明时间平滑不够平行度差说明透视矩阵没调好。这两个指标比肉眼看视频靠谱得多。最后说个血泪经验车道检测的参数没有一套通吃的。我一开始总想找一组万能参数结果换了三段视频就全崩。后来改成按场景分组——白天直道、夜间直道、白天弯道各存一套参数运行时根据画面亮度自动切换稳定性立刻上来了。如果你也在做这个方向别追求一步到位先把一段固定视频调稳再逐步加场景。希望帮到你。本文还有配套的精品资源点击获取