基于 Hough 变换的车道线检测
（本篇文章是在学习 C++的时候做的小项目，对目前的方法进行了稍微的改动，
效果还可以。）
目前车道线检测方面的方法主要包括：基于 Hough 变换、基于透视变换、基
于机器学习和深度学习。其中第一种方法是根据车道线与周围环境的物理特征差
异进行图像的处理，从而检测到车道线，该方法复杂度较低，实时性较高，但易
受到道路环境的干扰，而且 Hough 变换的直线检测特质导致了该方法在道路曲
率较大时的检测误差较大。
基于 Hough 变换的车道线检测的基本步骤如下：
1. 对视频进行处理，将视频流转化为一帧帧的图像。
cv::Mat frame;
cv::VideoCapture capture(“challenge.mp4”);
capture >> frame;
2. 图像转换为灰度图像
cv::Mat LaneDetector::Image_preprocessing(cv::Mat input_image)
{
cv::Mat binarization_image, gray_image,dst;
int blockSize = 5; //adaptiveThreshold 的计算单位是像素的邻域块，
邻域块取多大，就由这个值作决定
int constValue = 5; //这个参数实际上是一个偏移值调整量
const int maxVal = 255;
int adaptiveMethod = 1;
int thresholdType = 1;
cv::cvtColor(input_image, gray_image, cv::COLOR_RGB2GRAY);
//实现色彩的空间转换，灰度化图像
//二值化似乎用不到
//cv::threshold(gray_image, binarization_image, 140, 255,
cv::THRESH_BINARY); //固定会二值化图像，cv::THRESH_BINARY 是二
值化的类型
//cv::adaptiveThreshold(gray_image, binarization_image,maxVal,
adaptiveMethod, thresholdType, blockSize,constValue); //自适应二值化图像，
效果更好
cv::imshow("gray_image", gray_image); //imshow()函数功能就是
把你刚才载入的图片显示出来。
return gray_image;
}
剩余9页未读，继续阅读
资源评论
