本文中使用的函数详细说明可以参考图书《学习OpenCV 4：基于Python的算法实战》，该书内容如下：
第1章 OpenCV快速入门；
第2章 图像读写模块imgcodecs；
第3章 核心库模块core；
第4章 图像处理模块imgproc（一）；
第5章 图像处理模块imgproc（二）；
第6章 可视化模块highgui；
第7章 视频处理模块videoio；
第8章 视频分析模块video；
第9章 照片处理模块photo；
第10章 2D特征模块features2d；
第11章 相机标定与三维重建模块calib3d；
第12章 传统目标检测模块objdetect；
第13章 机器学习模块ml；
第14章 深度神经网络模块dnn
对深度学习计算机视觉的内容深入学习可以参考图书《深度学习计算机视觉实战》，该书包括四个方面的内容。
第一部分：深度学习与计算机视觉的基础介绍（经典网络与算法）；
第二部分：模型训练中常用的预处理和后处理图像处理算法介绍；
第三部分：计算机视觉项目实战；
第四部分：基于Tensorflow Lite的模型部署（lite源码讲解、模型量化、模型转换、PC和移动端部署）。
更多学习交流请参考：
下面介绍车道线检测，先上一下检测结果吧：
绿色线表示的就是车道线。
检测代码如下（完整代码可以加群获取或者到公众号“计算机视觉与OpenCV”回复“车道线检测”获取）：
# 读取采集的行驶视频
cap = cv.VideoCapture("input.mp4")
while (cap.isOpened()):
# 获取视频帧
ret, frame = cap.read()
# 执行边缘检测并显示结果
canny = do_canny(frame)
cv.imshow("canny", canny)
# 车道线区域分割
segment = do_segment(canny)
# 执行霍夫变换检测车道线
hough = cv.HoughLinesP(segment, 2, np.pi / 180, 100, np.array([]), minLineLength = 100, maxLineGap = 50)
# 计算车道线
lines = calculate_lines(frame, hough)
# 车道线可视化
lines_visualize = visualize_lines(frame, lines)
cv.imshow("hough", lines_visualize)
# 将车道线添加到帧图像上去
output = cv.addWeighted(frame, 0.9, lines_visualize, 1, 1)
# 将带有绘制车道线的结果显示
cv.imshow("output", output)
# 视频帧的读取间隔为10ms，按下q键退出检测
if cv.waitKey(10) & 0xFF == ord('q'):
break
# 资源释放
cap.release()
cv.destroyAllWindows()
边缘检测结果如下：
通过设置三角形的mask分割分割出来我们感兴趣的检测区域：
这样就可以得到车道线区域，最后通过霍夫变换得到的车道线如下：
