OpenCV车道线检测实战（一）：透视变换技术详解

车道线检测是自动驾驶和辅助驾驶系统中的基础技术，它能够帮助车辆识别道路边界，实现车道保持和车道偏离预警等功能。在这个系列文章中，我们将通过四个部分完整实现一个车道线检测系统。今天先讲解第一部分——透视变换技术。

一、透视变换在车道线检测中的作用

1.1 为什么需要透视变换？

在普通相机拍摄的图像中，由于透视效应，原本平行的车道线在图像中会交汇于一点（消失点）。这种透视效果会给车道线检测带来困难，因为：

1. 车道线不是平行线，难以用统一的数学模型处理
2. 距离相机越远，车道线像素越密集，难以准确提取

透视变换可以将图像从前视视角转换为鸟瞰视角（俯视图），这样：

1. 原本交汇的车道线变成平行线
2. 车道线的曲率变化更加直观
3. 便于后续的车道线提取和拟合

二、透视变换实现步骤详解

下面我们将一步步实现透视变换功能，让你清楚地了解每个步骤的作用。

2.1 获取图像尺寸

首先，我们需要知道输入图像的尺寸，以便正确设置变换参数：

def perspective_transform(image):
    # 获取图像的宽度和高度
    # image.shape[1] 是宽度，image.shape[0] 是高度
    image_size = (image.shape[1], image.shape[0])

代码解释：

• image.shape返回一个三元组(高度, 宽度, 通道数)
• image.shape[1]获取图像的宽度
• image.shape[0]获取图像的高度
• 我们将尺寸存储在image_size变量中，格式为(宽度, 高度)

2.2 定义源点（原始图像中的梯形区域）

源点是原始图像中我们想要变换的梯形区域的四个顶点。这个梯形应该覆盖我们感兴趣的道路区域：

    src = np.float32(
        [[80, image_size[1]],                      # 左下点
         [450, image_size[1]],                     # 右下点
         [image_size[0] // 2 + 40, image_size[1] // 2 - 20],  # 右上点
         [image_size[0] // 2 - 40, image_size[1] // 2 - 20]]  # 左上点
    )

代码解释：

• np.float32()：创建32位浮点数数组，OpenCV的几何变换函数需要这种数据类型
• 左下点 [80, image_size[1]]：图像底部左侧的车道线起点
• 右下点 [450, image_size[1]]：图像底部右侧的车道线起点
• 右上点 [image_size[0]//2+40, image_size[1]//2-20]：图像中上部右侧的车道线终点
• 左上点 [image_size[0]//2-40, image_size[1]//2-20]：图像中上部左侧的车道线终点

这四个点构成了一个梯形区域，代表我们关心的道路部分。

2.3 定义目标点（变换后的矩形区域）

目标点是鸟瞰图中对应的矩形区域的四个顶点：

    dst = np.float32(
        [[image_size[0] / 4, image_size[1]],       # 左下点
         [image_size[0] * 3 / 4, image_size[1]],   # 右下点
         [image_size[0] * 3 / 4, 0],               # 右上点
         [image_size[0] / 4, 0]]                   # 左上点
    )

代码解释：

• 左下点 [image_size[0]/4, image_size[1]]：变换后图像的左下角，x坐标为图像宽度的1/4
• 右下点 [image_size[0]*3/4, image_size[1]]：变换后图像的右下角，x坐标为图像宽度的3/4
• 右上点 [image_size[0]*3/4, 0]：变换后图像的右上角，y坐标为0（图像顶部）
• 左上点 [image_size[0]/4, 0]：变换后图像的左上角

这样定义的目标点确保变换后的车道线是平行的垂直线。

2.4 计算透视变换矩阵

有了源点和目标点，我们可以计算透视变换矩阵：

    # 获取透视变换矩阵
    M = cv2.getPerspectiveTransform(src, dst)
    
    # 获取逆透视变换的矩阵
    minv = cv2.getPerspectiveTransform(dst, src)

代码解释：

• cv2.getPerspectiveTransform(src, dst)：计算从源点到目标点的透视变换矩阵
• cv2.getPerspectiveTransform(dst, src)：计算从目标点到源点的逆透视变换矩阵
• 为什么需要两个矩阵？
  • M：将原始图像变换为鸟瞰图（用于车道线检测）
  • minv：将鸟瞰图变换回原始视角（用于将检测结果叠加到原始图像）
    

2.5 执行透视变换

使用计算得到的变换矩阵对图像进行透视变换：

    # 调用函数进行透视变换
    image_warp = cv2.warpPerspective(image, M, image_size, flags=cv2.INTER_LINEAR)
    
    return image_warp, minv

代码解释：

• cv2.warpPerspective()：执行透视变换
• 参数说明：
  • image：输入图像
  • M：3×3的透视变换矩阵
  • image_size：输出图像的大小(宽度, 高度)
  • flags=cv2.INTER_LINEAR：使用线性插值方法
• 函数返回变换后的图像和逆变换矩阵

三、完整透视变换代码

将上述步骤整合，得到完整的透视变换函数：

import cv2
import numpy as np

def perspective_transform(image):
    """
    对输入图像进行透视变换，将前视图转换为鸟瞰图
    
    参数:
        image: 输入图像（BGR格式）
        
    返回:
        image_warp: 透视变换后的图像（鸟瞰图）
        minv: 逆透视变换矩阵
    """
    # 获取图像尺寸：宽度和高度
    image_size = (image.shape[1], image.shape[0])
    
    # 定义源点（原始图像中的梯形区域）
    src = np.float32(
        [[80, image_size[1]],                      # 左下点
         [450, image_size[1]],                     # 右下点
         [image_size[0] // 2 + 40, image_size[1] // 2 - 20],  # 右上点
         [image_size[0] // 2 - 40, image_size[1] // 2 - 20]]  # 左上点
    )
    
    # 定义目标点（变换后的矩形区域）
    dst = np.float32(
        [[image_size[0] / 4, image_size[1]],       # 左下点
         [image_size[0] * 3 / 4, image_size[1]],   # 右下点
         [image_size[0] * 3 / 4, 0],               # 右上点
         [image_size[0] / 4, 0]]                   # 左上点
    )
    
    # 获取透视变换矩阵
    M = cv2.getPerspectiveTransform(src, dst)
    
    # 获取逆透视变换矩阵
    minv = cv2.getPerspectiveTransform(dst, src)
    
    # 执行透视变换
    image_warp = cv2.warpPerspective(image, M, image_size, flags=cv2.INTER_LINEAR)
    
    return image_warp, minv

# 测试代码
if __name__ == "__main__":
    # 读取测试图像
    image = cv2.imread('./test_image.png')
    
    if image is not None:
        # 执行透视变换
        warped_image, inverse_matrix = perspective_transform(image)
        
        # 显示结果
        cv2.imshow('原始图像', image)
        cv2.imshow('鸟瞰图', warped_image)
        cv2.waitKey(0)
        cv2.destroyAllWindows()
    else:
        print("无法读取图像，请检查文件路径")

四、关键OpenCV函数详解

4.1 cv2.getPerspectiveTransform()

cv2.getPerspectiveTransform(src, dst)

功能：计算两个四边形之间的透视变换矩阵

参数：

• src：源图像中四边形顶点的坐标，形状为(4, 2)的浮点数数组
• dst：目标图像中四边形顶点的坐标，形状为(4, 2)的浮点数数组

返回值：

• 一个3×3的透视变换矩阵

使用注意事项：

1. 源点和目标点的顺序必须一致（都是顺时针或都是逆时针）
2. 至少需要4个点对来计算变换矩阵
3. 返回的矩阵是3×3的，因为透视变换在齐次坐标下表示

4.2 cv2.warpPerspective()

cv2.warpPerspective(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])

功能：对图像进行透视变换

参数说明：

• src：输入图像，可以是单通道或多通道
• M：3×3的透视变换矩阵
• dsize：输出图像的大小，格式为(宽度, 高度)
• flags：插值方法，常用的有：
  • cv2.INTER_LINEAR：线性插值（默认）
  • cv2.INTER_NEAREST：最近邻插值
  • cv2.INTER_CUBIC：三次样条插值
• borderMode：边界像素处理方式
• borderValue：当borderMode为cv2.BORDER_CONSTANT时的边界填充值

返回值：

• 变换后的图像

工作流程：

1. 对于输出图像中的每个像素点(x', y')
2. 计算其在输入图像中的对应位置(x, y)
3. 使用插值方法计算(x, y)处的像素值
4. 将该像素值赋给输出图像的(x', y')位置

五、透视变换的数学原理

可以看up之前写的
计算机视觉处理（OpenCV基础教学（十二）：图像透视变换基础）

5.1 基本概念

透视变换是射影几何中的一种变换，用于描述三维空间中的物体在二维平面上的投影。在图像处理中，它可以将一个视角下的图像变换到另一个视角。

5.2 变换公式

透视变换可以用一个3×3的矩阵表示：

| x' |   | a11 a12 a13 |   | x |
| y' | = | a21 a22 a23 | * | y |
| w' |   | a31 a32  1  |   | 1 |

其中：

• (x, y)是原始图像中的点（齐次坐标(x, y, 1)）
• (x', y', w')是变换后的齐次坐标
• 实际图像坐标：(x'/w', y'/w')

5.3 计算变换矩阵

给定4个点对(xi, yi) ↔ (xi', yi')，可以建立8个方程：

xi' = (a11*xi + a12*yi + a13) / (a31*xi + a32*yi + 1)
yi' = (a21*xi + a22*yi + a23) / (a31*xi + a32*yi + 1)

通过解这个方程组，可以求出8个未知数a11, a12, a13, a21, a22, a23, a31, a32。

总结

透视变换是车道线检测系统中的关键预处理步骤，它将前视道路图像转换为鸟瞰图，为后续的车道线提取和拟合奠定基础。通过本文的学习，你应该掌握：

1. 透视变换的基本原理：理解为什么需要将前视图转换为鸟瞰图
2. 实现步骤：从获取图像尺寸到执行变换的完整流程
3. 关键函数用法：cv2.getPerspectiveTransform()和cv2.warpPerspective()的使用方法
4. 代码实现：能够独立实现透视变换功能

在实际的车道线检测系统中，透视变换参数需要根据具体的相机安装位置和道路情况进行调整。一个好的透视变换应该能够将车道线转换为近似平行的直线，便于后续处理。

下一篇预告：在下一篇文章中，我们将讲解如何从鸟瞰图中提取车道线，包括基于梯度的方法和基于颜色的方法。我们将详细介绍Sobel算子、颜色空间转换等关键技术，敬请期待！