自動駕駛汽車需要感知不同顏色以及在不同的照明條件下的車道線，以便準確地檢測車道。除了速度和汽車動力學特性外，還應該知道車道曲率，以確定停留在車道上所需的轉向角。

[[385524]]

三種技術：

1.色彩空間

2.索貝爾算子

3.曲率半徑

色彩空間

RGB色彩空間非常適合帶有白色通道的圖像。它在其他彩色車道上有局限性。因此我們可以探索其他顏色空間，例如HSV(色相，飽和度，值)和HLS(色相，亮度，飽和度)等。

色相表示與亮度變化無關的顏色。亮度和值是測量顏色的明暗度的不同方法。飽和度是色彩度的量度。帶有黃色車道線的圖像被分為RGB和HLS，如下所示。

僅R，G和S通道顯示與黃色車道線相對應的高像素強度。藍色通道的黃色像素強度為零。通過選擇最佳通道和該通道的正確顏色閾值，我們現在可以更準確地識別黃色車道線，如下所示。

索貝爾算子

由于車道線是垂直的，因此我們可以以更智能的方式使用漸變來檢測車道的陡峭邊緣。將Sobel運算符應用于圖像是一種在x或y方向上獲取圖像導數的方法。

通過選擇x方向上的坡度(Sobel x運算符)并調整該坡度的強度，我們現在可以找到車道的那些部分，這是S通道無法檢測到的(在前面的部分中)，如下所示。

現在，我們可以結合以上每種技術(Sobel x和S通道)識別的像素，以在變化的照明條件下更準確地找到黃色車道線，如下所示。

即使我們的算法現在可以檢測到不同顏色，在不同光照條件下的車道，但遇到突然的彎道時，它仍然可能會失敗。

曲率半徑

車道曲率的知識對于汽車停留在車道上是必不可少的。透視變換改變了我們的視角，可以從不同的視角和角度觀看同一場景。鳥瞰，讓我們將多項式擬合到車道線。然后，我們從多項式中提取車道曲率。

繪制直方圖并在上圖的左右兩邊找到峰值，可以得出左右車道的起始位置，如下所示。

滑動窗

使用起始位置，并在圖像上應用滑動窗口技術，我們能夠將多項式擬合到車道線，如下所示。

車道中心的曲率半徑和偏移

像素被轉換為米，并重新計算多項式擬合以確定以米為單位的曲率半徑，如下所示。

結論

連續框架的車道線位置相似。因此，要在下一幀中查找車道像素，我們可以在一定距離內搜索先前檢測到的車道線位置。

上述技術的應用使汽車能夠在變化的照明條件(明亮的光線和陰影區域)和陡峭的彎道上準確識別不同顏色(黃色和白色)的車道，如下所示。