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可用于课程设计、毕业项目或算法入门练手。资源包共89个文件约49.92MB其中6个py源码文件承担核心算法逻辑涵盖摄像头标定、透视变换、边缘阈值处理与线段拟合等环节41个png与28个jpg图片用于标定、测试与结果对比2个mp4视频直观呈现处理前后效果另有xml配置、pyc字节码及许可说明文件。目录按camera_cal、test_images、output_images等模块组织结构清晰便于按流程阅读与调试。目前已有436人学习下载。读者可从中获得一套可运行的车道检测框架理解畸变校正、透视变换、二值化与多项式拟合的完整链路并在此基础上扩展优化适配不同道路场景。1. 基于OpenCV的Python视频道路车道检测从一段行车记录仪视频说起手头有一段行车记录仪视频想用 Python 和 OpenCV 把车道线自动标出来这是很多做视觉入门项目的人绕不开的一道坎。基于 OpenCV 的 Python 视频道路车道检测设计核心就三件事把视频拆成帧、在每帧里找到车道线的像素、再把结果叠加回视频输出。听起来简单真跑起来你会发现光照一变、路面一脏、弯道一急检测框就开始飘。这套方案适合有 Python 基础、想拿一个完整可跑项目练手的人也适合做课程设计或原型验证的工程师。它不依赖深度学习框架一台普通笔记本就能跑调参空间大正好用来理解传统视觉 pipeline 的每个环节。下面按我实际做过的顺序把选型、代码、参数和踩过的坑一次讲清楚。2. 车道检测的技术路线选型为什么先用传统视觉而不是直接上深度学习2.1 传统视觉方案与深度学习方案的边界对比做车道检测之前先想清楚你要解决的是什么场景。如果是高速公路、车道线清晰、光照稳定的视频传统视觉方案完全够用而且可解释性强每一行代码在干什么你都能说清楚。如果是城市复杂路况、车道线磨损严重、夜间强逆光那传统方法会频繁翻车这时候才需要考虑深度学习。维度传统视觉Canny 霍夫变换深度学习车道分割网络硬件要求CPU 即可普通笔记本流畅跑需要 GPU训练阶段要求更高数据依赖不需要标注数据需要大量标注车道线数据可解释性每步中间结果可视化便于调试黑匣子调参靠经验和实验适用场景高速、车道线清晰、光照稳定城市复杂路况、夜间、磨损车道线开发周期半天到一天可出原型数据标注加训练至少一周起弯道表现需要额外处理直线假设容易失效天然适应弯道我一般会建议先用传统方案跑通全流程把视频 I/O、ROI 裁剪、边缘检测、直线拟合这条链路吃透。后面如果确实需要上深度学习你至少知道每个环节的输入输出长什么样换模型的时候不会两眼一抹黑。2.2 完整处理链路拆解基于 OpenCV 的车道检测 pipeline 可以拆成六步读取视频逐帧获取图像灰度化降低计算量高斯模糊抑制噪声Canny 边缘检测提取边缘像素划定 ROI 梯形区域只保留车道线可能出现的部分霍夫变换检测直线拟合左右车道线并叠加到原帧每一步都有对应的 OpenCV 函数参数需要根据你的视频分辨率和场景调整。下面给出可运行的最小代码。2.3 环境准备与依赖安装先确认 Python 版本建议 3.8 以上。安装 OpenCV 和 NumPypip install opencv-python numpy如果你用的是 conda 环境conda install -c conda-forge opencv numpy安装完成后验证import cv2 import numpy as np print(cv2.__version__) print(np.__version__)如果报ModuleNotFoundError: No module named opencv说明装到了错误的 Python 环境里。用which python和pip -V确认 pip 对应的解释器和你运行脚本的解释器是同一个。VS Code 里还要检查右下角选的 Python 解释器路径。提示不要同时用 pip 和 conda 装 OpenCV容易出现版本冲突。选一个包管理器卸载干净再重装。3. 逐帧处理代码实现从视频读取到车道线叠加3.1 视频读取与帧预处理import cv2 import numpy as np def process_frame(frame): 对单帧图像做灰度化、高斯模糊、Canny 边缘检测 # 灰度化把三通道降到单通道减少计算量 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯模糊kernel 用 5x5抑制路面纹理噪声 blur cv2.GaussianBlur(gray, (5, 5), 0) # Canny 边缘检测低阈值 50高阈值 150 edges cv2.Canny(blur, 50, 150) return edges # 打开视频文件 cap cv2.VideoCapture(road_video.mp4) if not cap.isOpened(): print(视频打开失败检查路径和编码格式) exit() while True: ret, frame cap.read() if not ret: break edges process_frame(frame) cv2.imshow(Edges, edges) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()这段代码的逻辑cvtColor把 BGR 转灰度GaussianBlur的 kernel size 必须是奇数5x5 是常用起点。Canny 的双阈值决定边缘的敏感度低阈值越低保留的边缘越多但噪声也越多。如果视频分辨率是 1280x720这套参数基本能用如果是 1920x1080kernel 可以适当加大到 7x7。3.2 ROI 梯形区域裁剪车道线只出现在画面下半部分的梯形区域里把上半部分裁掉能大幅减少误检。def region_of_interest(edges): 用梯形掩膜只保留车道线可能出现的区域 height, width edges.shape # 定义梯形四个顶点按实际画面调整 # 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) # 创建全黑掩膜 mask np.zeros_like(edges) # 在掩膜上填充白色梯形 cv2.fillPoly(mask, polygons, 255) # 按位与只保留梯形区域内的边缘 masked_edges cv2.bitwise_and(edges, mask) return masked_edges梯形顶点的选择直接决定检测效果。height * 0.6表示从画面 60% 高度处开始收窄这个值要根据摄像头安装高度和俯仰角调整。摄像头装得高、看得远梯形可以往上提装得低就往下压。左右边界0.45和0.55是消失点的大致位置如果你的视频里消失点偏左或偏右这两个值要跟着改。3.3 霍夫变换检测直线并拟合车道def detect_lanes(masked_edges, frame): 霍夫变换检测直线分左右拟合并绘制 # 概率霍夫变换 lines cv2.HoughLinesP( masked_edges, rho2, # 距离分辨率像素 thetanp.pi / 180, # 角度分辨率1 度 threshold50, # 累加器阈值越小检测到的线越多 minLineLength40, # 最短线段长度 maxLineGap100 # 同一条线之间的最大间隔 ) left_lines [] right_lines [] if lines is not None: for line in lines: x1, y1, x2, y2 line[0] # 跳过垂直线避免除零 if x2 - x1 0: continue slope (y2 - y1) / (x2 - x1) # 斜率绝对值太小说明是水平线不是车道线 if abs(slope) 0.5: continue # 斜率为负是左车道线为正是右车道线 if slope 0: left_lines.append(line[0]) else: right_lines.append(line[0]) # 拟合左右车道线 left_lane fit_lane(left_lines, frame.shape) right_lane fit_lane(right_lines, frame.shape) # 绘制车道区域 lane_overlay np.zeros_like(frame) if left_lane is not None and right_lane is not None: polygon np.array([[ (left_lane[0], left_lane[1]), (left_lane[2], left_lane[3]), (right_lane[2], right_lane[3]), (right_lane[0], right_lane[1]) ]], dtypenp.int32) cv2.fillPoly(lane_overlay, polygon, (0, 255, 0)) # 叠加到原帧 result cv2.addWeighted(frame, 1.0, lane_overlay, 0.3, 0) return result def fit_lane(lines, shape): 对一组线段做最小二乘拟合返回车道线两端点 if len(lines) 0: return None points [] for x1, y1, x2, y2 in lines: points.append((x1, y1)) points.append((x2, y2)) points np.array(points) # 用多项式拟合 x f(y)因为车道线更接近垂直 fit np.polyfit(points[:, 1], points[:, 0], 1) height shape[0] y_bottom height y_top int(height * 0.6) x_bottom int(np.polyval(fit, y_bottom)) x_top int(np.polyval(fit, y_top)) return (x_bottom, y_bottom, x_top, y_top)霍夫变换的参数里threshold和minLineLength是最需要调的。threshold调低会检测到更多线段但噪声也更多调高则可能漏掉虚线车道。minLineLength设太小会把路面裂缝当成车道线设太大则虚线车道检测不到。我一般从threshold50、minLineLength40开始试根据实际视频微调。fit_lane里用np.polyfit做一次多项式拟合把多条线段合成一条直线。这里假设车道线在图像里近似直线如果是弯道需要改成二次拟合np.polyfit的阶数改成 2。3.4 完整主循环与视频输出cap cv2.VideoCapture(road_video.mp4) width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps cap.get(cv2.CAP_PROP_FPS) # 输出视频写入器 fourcc cv2.VideoWriter_fourcc(*mp4v) out cv2.VideoWriter(output_lane.mp4, fourcc, fps, (width, height)) while True: ret, frame cap.read() if not ret: break edges process_frame(frame) masked region_of_interest(edges) result detect_lanes(masked, frame) out.write(result) cv2.imshow(Lane Detection, result) if cv2.waitKey(1) 0xFF ord(q): break cap.release() out.release() cv2.destroyAllWindows()输出视频的编码格式用mp4v兼容性最好。如果写出来的视频打不开换成XVID配合.avi后缀试试。帧率直接继承输入视频不要手动改否则输出视频速度会不对。4. 参数调优与常见翻车场景排查4.1 Canny 阈值怎么定Canny 的双阈值是整套 pipeline 里最玄学的参数。低阈值决定哪些边缘被保留高阈值决定哪些边缘被认定为强边缘。我一般用这个办法先固定高阈值为低阈值的 2 到 3 倍然后从低阈值 30 开始往上加每加 10 看一次边缘图直到车道线清晰且路面噪声可接受为止。如果视频里光照变化大固定阈值不够用可以改成自适应阈值# 用中值作为参考动态调整 median np.median(blur) lower int(max(0, 0.66 * median)) upper int(min(255, 1.33 * median)) edges cv2.Canny(blur, lower, upper)4.2 霍夫变换漏检和误检的排查现象虚线车道检测不到。原因minLineLength设太大虚线的每段太短。解决把minLineLength降到 20 到 30同时把maxLineGap加大到 150让同一车道的虚线片段能连起来。现象路面文字或阴影被当成车道线。原因threshold太低或者 ROI 区域划太大。解决提高threshold到 80 以上同时收紧梯形区域把画面边缘裁掉。现象左右车道线交叉。原因斜率分类阈值不合理或者弯道处左右线斜率符号变了。解决不要只靠斜率正负分类改用线段中点的 x 坐标相对于画面中心的位置来分左右。4.3 视频读写常见报错cv2.VideoCapture返回 False先检查路径里有没有中文或空格。OpenCV 在 Windows 上对中文路径支持不好把视频放到纯英文路径下再试。如果路径没问题检查视频编码格式某些 H.265 编码的视频 OpenCV 默认后端解不了可以加cv2.CAP_FFMPEG参数强制指定后端。cv2.VideoWriter写出的文件大小为 0通常是fourcc和文件后缀不匹配。mp4v配.mp4XVID配.aviMJPG配.avi。另外确认fps和frame_size跟输入一致不一致会导致写入失败。5. 进阶技巧用滑动窗口和二次拟合搞定弯道直线拟合在高速上够用但遇到弯道就露馅了。我后来改成滑动窗口加二次多项式拟合弯道检测稳了很多。思路是先用直方图找到画面下半部分左右车道线的起始 x 位置然后从下往上开窗每个窗口内找非零像素用这些像素做二次拟合。def sliding_window_fit(binary_warped): 滑动窗口搜索车道线像素并做二次拟合 histogram np.sum(binary_warped[binary_warped.shape[0]//2:, :], axis0) midpoint histogram.shape[0] // 2 leftx_base np.argmax(histogram[:midpoint]) rightx_base np.argmax(histogram[midpoint:]) midpoint nwindows 9 window_height binary_warped.shape[0] // nwindows nonzero binary_warped.nonzero() nonzeroy np.array(nonzero[0]) nonzerox np.array(nonzero[1]) leftx_current leftx_base rightx_current rightx_base margin 100 minpix 50 left_lane_inds [] right_lane_inds [] for window in range(nwindows): win_y_low binary_warped.shape[0] - (window 1) * window_height win_y_high binary_warped.shape[0] - window * window_height win_xleft_low leftx_current - margin win_xleft_high leftx_current margin win_xright_low rightx_current - margin win_xright_high rightx_current margin good_left_inds ((nonzeroy win_y_low) (nonzeroy win_y_high) (nonzerox win_xleft_low) (nonzerox win_xleft_high)).nonzero()[0] good_right_inds ((nonzeroy win_y_low) (nonzeroy win_y_high) (nonzerox win_xright_low) (nonzerox win_xright_high)).nonzero()[0] left_lane_inds.append(good_left_inds) right_lane_inds.append(good_right_inds) if len(good_left_inds) minpix: leftx_current int(np.mean(nonzerox[good_left_inds])) if len(good_right_inds) minpix: rightx_current int(np.mean(nonzerox[good_right_inds])) left_lane_inds np.concatenate(left_lane_inds) right_lane_inds np.concatenate(right_lane_inds) left_fit np.polyfit(nonzeroy[left_lane_inds], nonzerox[left_lane_inds], 2) right_fit np.polyfit(nonzeroy[right_lane_inds], nonzerox[right_lane_inds], 2) return left_fit, right_fitnwindows控制搜索窗口数量9 个是经验值画面分辨率高可以加到 12。margin是窗口宽度的一半100 像素适合 1280 宽的图像。minpix是窗口内最少像素数低于这个值就不更新窗口中心防止噪声把窗口带偏。二次拟合的结果画出来是曲线比直线更贴合弯道。代价是计算量增加但在 CPU 上跑 720p 视频仍然能到 20 帧以上。这套方案我前后调了大概一周最大的教训是不要指望一套参数通吃所有视频。每换一段视频至少花十分钟重新看边缘图和 ROI 覆盖情况把 Canny 阈值和梯形顶点重新对一遍。参数调好了传统视觉方案在结构化道路上的表现足够稳定而且每一帧你都能解释清楚为什么检测到了、为什么没检测到。希望帮到你。本文还有配套的精品资源点击获取