自动驾驶（十四）---------车道线检测

       目前车道线检测主要有两种方法：传统方法，深度学习，本文主要从传统方法出发来介绍车道线检测，毕竟Mobileye也没有用到太多的深度学习（以前和Moblieye有交流）。

       再者，一直以来我们传统汽车行业对深度学习都是嗤之以鼻，Case by case 我们怎么就low了。你们能量产辅助驾驶吗？你们奉为神明的深度学习能跳出dome吗？当然需要拥抱新事物，我也在学习深度学习，只是不喜欢吹嘘，自动驾驶需要一步一个脚印，不要上来就想摘桃子，无异于空中花园，纸上谈兵。

       下面介绍几种方法给大家思考，

       特别的本人最恨的一种方法是 ：二值化后，用Hough直线检测，我真想骂人，谁告诉你车道线一定是直线，光线变化各种问题中间出来的边缘怎么办，车道线边缘不光滑怎么办，你能找到直线！简直是搞笑，幼儿园水平。

       本文介绍的是单帧检测，多帧之间肯定要用Kalman滤波优化，车辆运动学是基础，这里就不介绍了，楼主一直有一个想法：利用车辆常见的传感器参数，搞出一套系统：

      感知：车辆运动学做预测，视觉单帧检测做观测，无极kalman滤波的多帧车道线检测算法。

      规划：通过当前车道线中心线，融合运动目标避让，求出规划最优解：

                                   

                其中A为:     即规划的轨迹与车道中心线距离较小；

                其中E为：保证运动学要求，满足舒适性，两帧跳变较小.

                其中F为：检测目标避让，特别的目标是运动的，避让要考虑辆车之间的相对速度，即避让目标不是目标当前的位置，是对目标和本车做kalman滤波，运动过程中的避让。使得运动过程中离目标最小距离最大化。

                其中G为预留，还没想好。。。。
        控制：目前没有太多了解，基于MPC就好。

1 Udacity车道线识别：

1. 毫无疑问相机标定，这里我就不详述了，总之相机标定是很基础的知识了，opencv有一套很现成的函数；
2. ROI选取，图像透视变换,把图像转换成俯视图，也可以用opencv的函数：warpPerspective
3. 二值化并且找到车道线是核心，这里步骤我展开如下：

                     

 

 

 

 

         滑动窗口与多项式拟合：将图片中的像素沿y轴累加，找出图片中间点左右的峰值，即为车道线可能的区域，然后自底向上使用滑动窗口，计算窗口内的不为0的像素点，如果像素点的数量大于某个阈值，那么就以这些点的均值作为下一个滑动窗口的中心。这里是从下往上找，每一个窗口的位置是由下一窗口内点的中心决定的。

        4. 最小二乘法拟合这些中心点，拟合成车道线，车道线的拟合我有一篇专门介绍了，不记得可以去翻看。

2 基于投影的车道线检测：

        1. 与上面类似，图片经过标定，ROI透视，二值化：

                     原图->  卷积(卷积核：) —》

                     二值化—> 

          2. 把二值化的点投影到横坐标上,列向量投影:

                    选取对应的最大值

            3. Ransac多项式拟合附近的点:

                           投影回原图效果：
       找遍网上相关资料，我基本陷入绝望，看到深度学习已经可以搞定前车遮挡的场景，我真的很惭愧，很想有一种识别率很高的传统VC的方法，可惜事与愿违，我也无能为力，明天继续学习深度学习吧。