企业官网建设流程全解析

简介：本资源是一套面向计算机视觉初学者与智能交通系统开发者的基于OpenCV的Python视频车道检测实战项目，聚焦道路监控场景下的实时车道线识别问题，适用于课程设计、毕业设计及算法原型验证。压缩包共89个文件，大小49.92MB，涵盖6个核心Python源码（含摄像头标定、透视变换、组合阈值处理、车道线拟合与视频流处理等模块）、41张PNG与28张JPG图像（含标定图、测试图、二值化/鸟瞰/标注结果图等全流程中间态样本）、2个MP4视频（原始输入与检测输出对比）、4个XML参数配置文件及LICENSE等工程必需文件。已有436人学习下载，资源结构完整、模块职责清晰，提供从图像预处理→畸变校正→特征提取→车道拟合→视频可视化的一站式实现路径，附带readme说明与可直接运行的脚本，便于快速复现、调试与二次开发。 这个项目在我见过的计算机视觉入门作品里属于“经典中的经典”：用Python加OpenCV，对一段行车记录仪视频做车道线检测，最后把车道线稳定地画在原视频上。听起来简单，但真要把线条画得稳、画得准，里面涉及图像预处理、边缘检测、感兴趣区域提取、霍夫变换、线段分组拟合等一系列环节，每一步都有讲究。这篇文章我就以“基于OpenCV的Python视频道路车道检测设计源码”为线索，把整个项目的设计思路、核心实现、踩坑记录和进阶方向一次说透。无论你是准备做课程设计、毕业设计，还是刚开始接触图像处理，这篇文章都能给你一条清晰可走的路线。

1. 项目概述与整体设计思路

1.1 这个项目到底解决什么问题

先明确一下项目目标：输入一段车辆行驶过程中拍摄的前方道路视频，程序逐帧处理，识别出左右车道线，并在每一帧画面上用醒目的线条标注出来，最终输出一段带检测结果的视频。听起来像自动驾驶才有的功能，但依靠传统图像处理技术，不需要神经网络，不需要GPU，一台普通电脑就能跑起来。

这类项目最常见的应用场景是课程设计和毕业设计。因为它难度适中、可视化效果好、技术栈完整，从视频读取、图像处理到结果输出，每个环节都有明确的考核点。而它背后涉及的边缘检测、直线提取、坐标变换等知识点，又是计算机视觉方向的基础功，所以一直被当作入门必做项目。

对于刚接触OpenCV的读者，这个项目也是一个很好的“串联型”练习。它不是单一函数调用，而是把灰度化、滤波、边缘检测、掩膜、直线检测等多个基础操作组合成一条完整流水线。做完这个项目，你对OpenCV的很多API会从“见过”变成“会用”。

1.2 为什么选OpenCV而不是深度学习

现在提到车道检测，很多人第一反应是用YOLO、分割网络这类深度学习方法。但传统图像处理方案在特定场景下依然有不可替代的优势。

首先是计算开销。深度学习模型动辄几十MB到几百MB，推理一帧耗时从几十毫秒到几百毫秒不等；而OpenCV的传统方案只要几毫秒就能处理一帧，实时性完全不在一个量级。其次是部署门槛，深度学习需要配置框架、下载权重、处理CUDA环境，一个环境问题就能卡住新手一整天。传统方案只需要pip install opencv-python就能跑通。

再就是可解释性。深度学习的检测结果是个黑盒，它为什么把路边的栏杆误判成车道线，你很难讲清楚。但传统方案每一步都有明确的数学和物理含义，边缘检测找的是图像梯度突变区域，霍夫变换检测的是共线像素点，出了问题可以逐环节排查。对教学场景来说，这种“可解释”本身就是重要的学习价值。

当然传统方案也有明显局限。它对车道线清晰度、光照稳定性要求较高，遇到强逆光、雨雪天气、车道线严重磨损的场景，效果会明显下降。所以这个项目比较适合“结构化道路、标线清晰、光照稳定”的典型行车环境。这也是我后面要强调的：理解方案的适用范围，和理解方案本身一样重要。

1.3 车道检测的整体流程图解

整个检测流程可以用一条流水线来概括：

视频帧读取 → 灰度化 → 高斯模糊去噪 → Canny边缘检测 → ROI掩膜裁剪 → 概率霍夫变换提取直线 → 左右车道线分组拟合 → 在原图上绘制结果 → 写入输出视频。

每一个环节存在的理由都很直接。视频帧读取是数据入口，没有帧后面全都不用谈。灰度化是把三通道彩色图像压缩成单通道，减少计算量的同时保留边缘信息。高斯模糊是为了降低图像噪声，避免边缘检测阶段出现大量细碎的假边缘。Canny边缘检测是核心中的核心，它把灰度图转成一张只有边缘像素为白色的二值图。ROI掩膜则是把图像裁剪成我们关心的梯形路面区域，把天空、绿化带、对面车道等干扰信息直接屏蔽掉。

霍夫变换负责从二值边缘图中检测出直线。但它检测出来的直线往往是一段一段的零散线段，既有真正车道线的片段，也有道路裂缝、路缘石等产生的干扰线。所以最后还要做分组和拟合，把属于同一条车道的线段合并成一条贯穿画面的直线，这一步直接决定了最终画出来的线是稳定还是满屏乱跳。

理解了这个整体流程，后面每一步的学习就都有了方向感。你不再是记API调用，而是在理解和实现一条有逻辑的视觉检测链路。

2. 核心实现：预处理、ROI与Hough变换的细节拆解

2.1 图像预处理三连：灰度化、高斯模糊与Canny边缘检测

图像预处理是整个检测链路的起点，也是直接影响最终效果的一环。很多人上来就调用Canny，结果边缘图里全是乱七八糟的纹理，原因就是前面两步没做好。

第一步灰度化，代码是cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)。彩色图像有三个通道，每个像素需要处理三个值，而灰度图只需要一个值，计算量直接降为原来的三分之一。更重要的是，Canny边缘检测本身基于梯度计算，灰度图已经包含了足够的梯度信息，颜色信息在这里是冗余的。这也是为什么几乎所有边缘检测任务第一步都是灰度化。

第二步高斯模糊，代码是cv2.GaussianBlur(gray, (5, 5), 0)。它的作用是去除图像中的高频噪声。行车记录仪的视频往往存在传感器噪声，如果直接做边缘检测，这些噪声点会被误识别为边缘，产生大量无意义的短线段。高斯模糊就好比把画面用磨砂玻璃遮了一层，细碎的噪点变模糊了，而车道线这种有明确走向的大尺度边缘依然清晰。内核大小选择(5,5)还是(3,3)，取决于图像的清晰度和噪声程度。光线好的高清视频用(3,3)能保留更多细节，噪点明显的视频用(5,5)更能压制干扰。需要注意的是内核必须是奇数，因为卷积操作需要一个明确的中心锚点。

第三步Canny边缘检测，代码是cv2.Canny(blur, 50, 150)。Canny是目前最经典的边缘检测算法，它的核心思想是先用高斯梯度算子计算出每个像素的梯度幅值和方向，然后通过非极大值抑制把梯度方向上不是局部最大值的像素剔除，最后用双阈值法确定哪些边缘是真正的强边缘，哪些是会延续强边缘的弱边缘。

双阈值的设定是个经验活。低阈值太低，会把路面纹理、阴影边界全部当成边缘；高阈值太低，又会出现边缘断裂，车道线中间缺一段。我实践下来比较好用的规律是：高阈值取低阈值的2到3倍，比如(50, 150)或(60, 180)。如果视频画面整体偏暗或者有阴影，可以先对灰度图做一次直方图均衡化cv2.equalizeHist(gray)，把对比度拉大再加Canny，车道线会明显一些。但要注意，直方图均衡化在提升对比度的同时也会放大噪声，所以一定要配合高斯模糊一起用，顺序是灰度化 → 均衡化 → 高斯模糊 → Canny。

2.2 ROI掩膜：让程序只盯着路面看

图像预处理结束后，我们得到的是一张包含整幅画面边缘的二值图。但镜头里除了车道线，还有路边的树木、护栏、天空的云、对面的来车，这些边缘信息对车道检测来说全是干扰。所以我们需要用ROI（Region of Interest，感兴趣区域）掩膜，把检测范围限制在路面区域。

关键点在于，路面在图像中并不是一个矩形，而是一个梯形。这是因为透视关系，车道线在近处宽、远处窄，最终汇聚在远方的消失点。如果简单地取一个矩形区域，依然会把两侧的护栏、树木包含进来。正确做法是用一个梯形区域去匹配路面在画面中的实际形状。

ROI坐标是写死的，但这恰恰是新手最容易踩的坑。以640x480分辨率的视频为例，一个可行的梯形顶点坐标是：左下角(0, 480)、右下角(640, 480)、右上角(430, 290)、左上角(210, 290)。这个坐标的含义是：画面底部全宽保留，因为车道线在车头附近就在画面两侧边缘；画面顶部只保留中间约三分之一，因为远处车道线在画面中心附近汇聚。如果你换了不同分辨率的视频，这些坐标必须按比例换算，否则检测结果会完全错乱。这个问题我在第3章会详细展开。

生成掩膜的操作分四步。第一步用np.zeros_like(edge_image)创建一张全黑的单通道图。第二步用cv2.fillPoly在黑色图像上填充白色梯形。第三步用cv2.bitwise_and把边缘图和掩膜做按位与运算，这样只有梯形区域内的边缘会被保留，区域外全部变黑。最后得到的就是一张只在路面范围内有边缘信息的图。

2.3 Hough变换：从边缘像素到车道线

到了这一步，我们拿到了路面范围内的边缘二值图，但图中的“线”还是由离散像素点组成，没有数学意义上的直线方程。霍夫变换就是用来解决这个问题的经典算法。

霍夫变换的基本思想是把图像空间中的每个边缘像素点映射到参数空间。在图像空间中，一条直线可以表示为y = kx + b；在参数空间中，一个像素点(x0, y0)对应一条直线b = -x0 * k + y0。如果多个像素点映射出的参数直线交于同一点，说明这些像素点在原图像中共线。通过统计参数空间中交点处的票数，就能找出图像中最显著的直线。

OpenCV提供了两个霍夫变换接口：标准霍夫变换cv2.HoughLines和概率霍夫变换cv2.HoughLinesP。车道检测项目里我强烈建议直接用HoughLinesP。原因是标准霍夫变换只输出直线的极坐标参数，你需要自己再去计算线段端点，非常麻烦；而概率霍夫变换直接输出线段的起点和终点坐标，拿过来就能画图，还能通过minLineLength和maxLineGap参数过滤掉太短和间隔太大的碎片线段。

cv2.HoughLinesP的核心参数及经验值如下：

这些参数对检测结果的敏感性不同。threshold越小，检测出的线段越多，但也越容易混入噪声线；minLineLength越大，保留的线段越少，线条越长，但容易把短的车道线碎片整个丢掉；maxLineGap越大，越能把断断续续的车道线片段连接成一条长线，但过大时会把不同方向的两段线错误连接。实际调参时我建议一次只改一个参数，改完跑一遍视频看效果，而不是同时动好几个参数，否则出了问题根本不知道是谁引起的。

2.4 车道线分组与拟合：决定检测效果是否平滑的关键一步

霍夫变换返回的是一堆线段，这些线段里有真车道线，也有大量干扰线。而且即使全是真车道线，也是断断续续的碎片。直接把这一堆线段画到视频上，效果会非常毛躁，线段忽长忽短、忽左忽右，完全不像是车道检测的结果。所以分组与拟合这一步，是让效果从“能跑”变成“好看”的关键。

我常用的分组策略是：先根据线段中点的x坐标，判断它属于画面左半区还是右半区。左半区的线段进左组，右半区的进右组。这样分完，还要计算每条线段的斜率，剔除明显异常的线段。比如在车头视角下，左车道线在图像坐标系中大致是一条斜率为负或接近竖直的线，右车道线则相反。如果某个组里混入一条水平方向的线，大概率是路面的阴影或裂缝，直接过滤掉。

分组完成后，对每组里的线段做拟合。最直观的做法是用np.polyfit做最小二乘一阶拟合，得到一条直线的斜率k和截距b。但最小二乘对离群点比较敏感，如果分组过滤不够干净，拟合出来的直线会被带偏。更稳妥的简化方案是：算出所有线段端点的平均坐标，再结合平均斜率，确定一条直线方程。最后根据ROI区域的高度范围，计算出直线在画面上下边界处的端点，把这条直线画出来。

拟合这一步做好之后，视频里的车道线会稳定很多。你会发现线条不再跳动，而是稳稳地贴合在真实车道线的位置上。很多开源项目里“检测线乱跳”的问题，十有八九是省掉了这一步或者分组逻辑写得太粗糙。

3. 实操落地：环境搭建、源码解析与参数调优

3.1 OpenCV安装与Python环境配置

环境搭建看起来是小事，但我在帮别人排查问题时发现，很多同学卡在第一步就卡了很久。这里把Windows和Linux两种常见环境的安装过程说清楚。

Windows下最省事的方式是用pip直接安装。打开命令提示符或PowerShell，执行：

pip install opencv-python

如果后面需要用到SIFT、ORB这类算法，还需要安装扩展包：

pip install opencv-contrib-python

安装完成后验证：

python -c "import cv2; print(cv2.__version__)"

如果能输出版本号，说明安装成功。常见的问题是ModuleNotFoundError: No module named 'cv2'，这一般是解释器不对导致的。尤其是用VSCode写代码时，编辑器右下角选择的Python解释器和你在终端里用的解释器不是同一个，pip装到了A环境，代码却在B环境里跑。解决办法是先在VSCode里看当前解释器的路径，再用这个解释器对应的pip重新安装：

/path/to/python -m pip install opencv-python

Linux系统下除了pip，还可以用apt安装系统级OpenCV库：

sudo apt update sudo apt install libopencv-dev python3-opencv

安装后同样用python3 -c "import cv2; print(cv2.__version__)"验证。我个人的建议是，如果是做Python项目，优先用虚拟环境加pip安装，避免和系统自带的OpenCV版本冲突。python -m venv venv创建虚拟环境后，在虚拟环境里激活再装依赖，环境干净可复现，后面写项目文档也省事。

顺便提醒一句，网上搜索OpenCV安装教程时，经常会看到一些所谓“官方源”“最新版5.0.0”的下载链接，这些很多是不明来历的安装包，不要乱装。直接走官方仓库或pip官方源最安全。

3.2 源码目录结构与核心代码逐段解析

一个清晰的项目结构能省去很多后期维护的麻烦。我的建议是把这个项目拆成三个模块：

lane_detection/ ├── main.py # 主程序：视频读取、逐帧调用检测函数、结果输出 ├── lane_utils.py # 车道检测核心函数集合 └── config.py # 参数配置：ROI坐标、Canny阈值、Hough参数等

把参数统一放在config.py里，是为了调参方便。不要每次调一个参数都要翻半天代码找它在哪，集中管理一目了然。

lane_utils.py里的核心检测函数可以这样组织：

import cv2 import numpy as np def process_frame(frame, config): # 1. 灰度化 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 2. 高斯模糊 blur = cv2.GaussianBlur(gray, (5, 5), 0) # 3. Canny边缘检测 edges = cv2.Canny(blur, config.canny_low, config.canny_high) # 4. ROI掩膜 mask = np.zeros_like(edges) cv2.fillPoly(mask, [config.roi_vertices], 255) masked_edges = cv2.bitwise_and(edges, mask) # 5. 概率霍夫变换 lines = cv2.HoughLinesP(masked_edges, 1, np.pi/180, threshold=config.hough_threshold, minLineLength=config.hough_min_length, maxLineGap=config.hough_max_gap) # 6. 车道线分组、拟合与绘制 result = draw_lane_lines(frame, lines, config) return result

main.py的主循环相对固定，核心逻辑是：

cap = cv2.VideoCapture("test_video.mp4") fps = cap.get(cv2.CAP_PROP_FPS) width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) out = cv2.VideoWriter("output_video.avi", cv2.VideoWriter_fourcc(*"XVID"), fps, (width, height)) while cap.isOpened(): ret, frame = cap.read() if not ret: break result = process_frame(frame, config) out.write(result) cv2.imshow("Lane Detection", result) if cv2.waitKey(30) & 0xFF == ord("q"): break cap.release() out.release() cv2.destroyAllWindows()

这里有两个细节值得注意。一是VideoCapture读取视频时，可以用文件路径，也可以传摄像头索引值，比如cv2.VideoCapture(0)表示打开默认摄像头。二是VideoWriter的输出格式要和输入视频的帧率、分辨率保持一致，否则最后生成的视频要么打不开，要么播放速度不对。

3.3 不同视频分辨率下的ROI坐标换算方法

前面提到ROI坐标是写死的，这是这个项目里最大的坑之一。很多同学在网上下载的测试视频是1280x720，自己录的视频是1920x1080，直接跑同一套代码，检测结果完全对不上，原因就是ROI梯形区域的坐标没有按分辨率换算。

正确的做法是，把ROI坐标定义为相对于画面宽度和高度的比例值，而不是绝对像素值。比如对640x480的视频，左下角是(0, 480)，如果画面顶部左右顶点分别是(210, 290)和(430, 290)，换算成比例就是：

• 左下角：(0/640, 480/480) = (0.0, 1.0)
• 右下角：(640/640, 480/480) = (1.0, 1.0)
• 右上角：(430/640, 290/480) ≈ (0.67, 0.60)
• 左上角：(210/640, 290/480) ≈ (0.33, 0.60)

在代码里这样处理：

def get_roi_vertices(frame_width, frame_height, roi_ratio): vertices = [ (int(roi_ratio[i][0] * frame_width), int(roi_ratio[i][1] * frame_height)) for i in range(len(roi_ratio)) ] return np.array([vertices], dtype=np.int32)

这样不管输入视频是高清还是标清，梯形区域在画面中的相对位置都不会变。不过要注意，这只是解决了分辨率缩放的问题。如果你的摄像头安装角度变了，比如前挡风玻璃位置更高或更低，透视关系就会变化，比例坐标也需要相应调整。调整的方法很简单，跑程序时在画面里实时打印出当前帧，用鼠标获取几个关键点的坐标，再更新配置。

3.4 测试视频的选取与效果评估

测试视频对项目调试的影响非常大。同样的代码，在不同视频上表现可能天差地别。选测试视频时尽量找满足这几个条件的：白天、晴天、车道线清晰、车辆不多、道路平整。等基础版本的代码能稳定运行了，再去挑战黄昏、阴雨、多车道的场景，逐步发现算法瓶颈。

评估检测效果时，不要只看某一帧好不好，要跑完整段视频，观察检测线是否稳定。稳定性比单帧准确性更重要，因为视频是连续的，如果某一帧偶尔画歪，人眼还能接受；线条抖动得厉害，整个效果就很廉价。

评估时重点关注三个指标：一是车道线的连续程度，有没有频繁断线；二是检测线是否贴合真实车道线，有没有明显偏移；三是帧率是否满足实时要求，如果加上画线后处理速度远低于原视频帧率，后续若要接实时摄像头会出问题。对于这个项目，处理一帧的时间最好控制在30毫秒以内，这样能在笔记本上流畅运行。

4. 常见问题与调试经验速查表

4.1 视频读取、显示与保存问题

视频打开失败，cap.isOpened()返回False。先确认文件路径是否正确，路径中尽量不要有中文。OpenCV的VideoCapture对中文路径支持不好，这是一个老问题，所以项目目录和文件名最好全用英文。另外检查一下文件是不是真的视频文件，有些从网上下载的文件后缀是.mp4，实际编码格式特殊，OpenCV打不开，用格式工厂或FFmpeg转一下编码就好。

处理后的视频保存失败。重点检查VideoWriter的编码格式。.avi格式一般用XVID或MJPG编码；.mp4格式一般用mp4v编码。如果一直保存失败，建一个全是英文路径的输出目录再试。

窗口显示画面卡顿。可能是cv2.waitKey()的参数设置不合适。waitKey的参数单位是毫秒，表示等待键盘输入的时间。如果原视频帧率是30fps，每帧间隔约33毫秒，waitKey(30)基本能保持原速播放。如果你的处理逻辑很耗时，可以适当调大这个值，让显示节奏和实际处理速度匹配。

4.2 OpenCV安装与运行报错对照表

4.3 检测效果差时的排查顺序

“车道线检测不准”是个很笼统的现象，我习惯按流水线从前往后排查。

先看灰度图正不正常，如果画面过暗或过亮，后面的环节全都会出问题。再看边缘图，如果边缘图里车道线区域被断成好几截，说明Canny阈值太高或模糊窗口太大；如果边缘图里到处是细碎小白点，说明噪声压制不够，或者阈值太低。接着看ROI掩膜后的图，确认梯形区域是否正好框住路面，如果路面两侧的栏杆还在图里，说明ROI顶点太靠外。最后看霍夫变换返回的原始线段，如果检测出了很多横向短线，说明threshold或minLineLength设置不合适。

这样一步步排查，基本能定位到问题环节。最忌讳的是“眉毛胡子一把抓”，同时调五六个参数，结果更乱了。每次只改一个变量，跑一遍视频看效果，是调试这类图像处理项目最有效的策略。

4.4 平台与编码相关的小坑

在Windows上开发、在Linux服务器上部署的同学，可能会遇到平台差异问题。最典型的是路径分隔符，Windows用反斜杠\，Linux用正斜杠/，建议统一用正斜杠或者用os.path.join拼接路径。另外，cv2.imshow在无图形界面的Linux服务器上无法运行，要么改用cv2.imwrite逐帧保存结果，要么使用matplotlib来显示图像。

还有一个容易被忽略的问题是OpenCV的BGR通道顺序。在OpenCV中图像是以BGR格式存储的，但很多图像处理库和显示组件默认是RGB。如果你把OpenCV读出来的图像直接给其他库显示，颜色会偏蓝偏红，需要先执行cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换。有些同学在画线时发现颜色不对，也常常是这个问题。

5. 进阶扩展：从课堂设计到实际应用

5.1 用HSV颜色空间增强车道线提取

纯灰度加边缘检测的方案，在车道线颜色和路面颜色对比较强时效果很好。但如果路面是浅色水泥路、车道线是白色，或者有强烈的阴影，灰色图的对比度会急剧下降。一个效果明显的改进方案是引入HSV颜色空间，专门提取白色和黄色车道线。

HSV的三分量中，H是色调、S是饱和度、V是明度。白色物体的饱和度很低、明度很高，黄色物体的色调集中在30度左右。我们可以设定两个阈值范围，分别提取白色和黄色像素，再把提取结果和边缘检测结果做融合。这样即使亮度对比度不够，只要颜色特征还在，车道线依然能被找出来。

实际使用中可以用cv2.inRange操作。白色区域一般用lower_white = (0, 0, 200)到upper_white = (180, 30, 255)，黄色区域一般用lower_yellow = (15, 70, 120)到upper_yellow = (35, 255, 255)。需要注意，OpenCV的HSV范围中，H是0到180，S和V是0到255，这和标准的HSV定义（H是0到360）不一样，写阈值时别搞混。

5.2 简单车道偏离预警实现思路

如果你觉得画线不过瘾，可以在这个基础上做一个简单的车道偏离预警功能。思路不复杂：左右车道线拟合之后，会得到一个交点，也就是画面中的消失点。正常情况下，消失点应该大致位于画面中轴线上，说明车辆在车道中央行驶。如果消失点大幅偏向左边，说明车辆偏向车道右侧；反过来就是偏向左侧。

根据这个偏移量设定一个阈值，比如消失点偏离画面中心超过画面宽度的10%时，在画面上输出“左偏”或“右偏”的提示。这个功能虽然粗糙，但演示效果非常好，而且正好用上了拟合环节得到的直线参数，没有增加太多额外计算量。

5.3 与界面程序、嵌入式设备的集成方向

这个项目的代码逻辑可以独立运行，但如果想做一个像样的课程设计展示，可以考虑给它加一个简单的图形界面。只用OpenCV的cv2.imshow控制面板看起来比较简陋，用PyQt或PySide做一个界面，左侧放原视频画面，右侧放检测结果，再放几个参数滑块实时调整Canny阈值，演示效果会专业很多。

集成思路也不复杂，把process_frame函数作为核心处理单元，界面负责读取视频帧、调用处理函数、刷新显示。参数滑块和配置组件绑定，每次滑块值变化时更新配置对象里的对应值。

如果想往嵌入式方向扩展，可以考虑在树莓派或Jetson Nano上跑这套方案。由于传统图像处理的计算量很小，在树莓派4B上用OpenCV处理720P视频也能达到接近实时的帧率，非常适合做低成本的车载实验平台。上板子之前要注意把分辨率调低一些、ROI区域适当缩小，减少处理面积，帧率会有明显提升。

这个项目看起来就是“调库”，但真正动手跑一遍就会发现，在灰度图、边缘图、掩膜图、霍夫线段一层层中间结果之间来回对比调试的时候，你对图像处理的理解才是真正开始建立的时候。我自己的体会是，与其把代码写完就丢一边，不如花点时间把每个环节的中间结果都保存下来，观察它们之间的关系，这样就算以后遇到更复杂的视觉任务，排查问题时的思路也会清晰很多。

本文还有配套的精品资源，点击获取