- 设立问题
人脑能够自动处理接收到的各种信息，其中最主要的就是眼睛看到的。
所以如果要训练一辆自动驾驶车，需要设置各种传感器/摄像头来获取周围的信息。
所以第一步，就是要教电脑找到道路线。如果有一张道路图的话，可以通过寻找图片上的颜色块，位置，方向和形状来确定道路线在哪。
- 颜色选择
先从最简单的颜色开始。RGB图像的话是由3个色道（红绿蓝）的图片叠加的，并且用0-255来表示亮度值，0表示全暗，255表示全亮，所以白色就是[255, 255, 255]。
- 代码案例
写Python的话首先就是import matplotlib中的pyplot和image，以及numpy。
然后用imread函数读图，并且获取type(), .shape，可以从.shape返回值中知道x，y的大小。
注意：在Python中对数组或者变量进行操作的时候不要用赋值号（a=b），这样对a操作b也会受影响，要用np.copy()。[一般元素赋值是一样的，对于复杂子项的元素的操作比如list就会不一样]
接下来设定RGB的阈值，把图片中低于阈值的像素块设置成0（黑色） ，最后用plt.imshow()和plt.show()显示图片。
所以我们可以通过上述脚本将道路图的颜色过滤得只剩道路线。聪明的你可以发现，当设置RGB的值都为200的时候就可以得到一个不错的结果了。但是图中除了道路线外一些其他白色的物体也包括在内了。
- 区域覆盖
于是在这里我们假设摄像头会装在车上朝前的固定位置，所以道路线一定会出现在屏幕下三角区域，也就是我们平常看见道路线的区域。这是最简化的例子，以后会用四边形，理论上几边形都是可以的。
这里三角形的话要确定左底，右底和上顶三个值。在图像处理中(x=0, y=0)是图片的左上角。
用[A, B] = np.polyfit((x1,y1),(x2,y2),1)来设置y=Ax+B这条线的方法设置三角形的三边，用XX, YY = np.meshgrid(np.arrange(0, xsize),np.arrange(0, ysize))表示出所有的像素区，之后用三边当作选择区域的阈值筛选出想要的像素点并且标红。
- 找到所有颜色的线
只要将两个算法的产出合并，就能得到想要的结果了。当然，这样还不够，因为线有不同的颜色，就算是同一个颜色的线在不同光线条件下的颜色也不一样，所以下一步的目标是用计算机视觉的方法找到所有颜色的线。
- 计算机视觉
工具：Python + OpenCV (Open-Source Computer Vision)
- Feature 1：Canning Edge Detection
首先把图像转化为灰度图像，然后计算每个像素点的梯度，将梯度的强度用亮度表示出来，就能描出物体的边缘线（形状）。
第一步，导入OpenCV，import cv2；第二步，转为灰度图，gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)；第三步，画出来看看，plt.imshow(gray, cmpa='gray')；第四步，过滤掉梯度在阈值外的像素，只要剩下的像素和强梯度边连接就被保存下来，edges = cv2.Canny(gray, low_threshold, high_threshold)
由于灰度图片的每个像素有8位，那么每个像素有0-255的256种可能性，所以梯度值大约就是几十几百的样子，阈值也是。
以及在cv2.Canny函数中自动包含了高斯平滑处理，去除噪点和看起来不大对的梯度值，但是参数不可调（5*5）。可以用cv2.GaussianBlur(gray, (kernal_size, kernal_size), 0)中的kernel_size来调节处理的范围，应该取奇数。
- Feature 2：Hough Transformation
霍夫变换是将影像空间中的曲线(包括直线)变换到参数空间中，通过检测参数空间中的极值点，确定出该曲线的描述参数，从而提取影像中的规则曲线。
lines = cv2.HoughLinesP(edges, rho, theta, threshold, np.array([]), min_line_length, max_line_gap)
所以这里要首先要做的是先创造一张和原图一样大的空白图片，然后在之前做了边缘检测的图上做霍夫变换处理，得到一堆线之后将它们在空白图中画出来，然后可以把它们加颜色加粗和之前边缘检测结果图叠加。最后再叠加上想检测线的区域就好了，之前用的三角形，接下来可以用cv2.fillPoly()写出任意多边形。