OpenCV车道实时检测实战：霍夫变换与ROI掩码完整示例

简介：面向计算机视觉初学者与自动驾驶相关开发者的 OpenCV 车道实时检测示例代码，完整演示了从视频逐帧读取、按文件名排序、灰度化，到创建多边形掩码并提取感兴趣区域，再到二值阈值化和霍夫线变换检测直线的典型处理流程。文档重点解释了 cv2.bitwise_and 掩码运算、cv2.threshold 阈值设置、cv2.HoughLinesP 的 rho、theta、threshold、maxLineGap 等参数含义，并说明如何通过 cv2.VideoWriter 将标注后的帧重新合成视频，最终获得带实时车道标记的输出结果。代码中利用 tqdm 显示进度、使用 try 语句容错，也体现了实际工程中的处理细节。资源为单个 PDF 文档，共 194KB，内容直观，适合边读边动手实现。目前已有 307 人学习下载，是快速入门 OpenCV 车道线识别的实用材料。文中还提到可引入 Canny 边缘检测或卷积神经网络进一步提升检测精度，并在原代码基础上预留了改进空间，适合在此基础上继续做算法优化或移植到自己的项目中。

1. 车道实时检测没有想象中神秘：一份能直接跑通的OpenCV示例代码

问OpenCV车道实时检测怎么做的人，一半是准备毕设，一半是刚进自动驾驶或ADAS相关岗位。听到“车道检测”第一反应是上深度学习，YOLO、语义分割一套组合拳，其实在固定机位的行车记录仪场景里，OpenCV传统的图像处理链路——灰度化、掩码提取、阈值二值化、霍夫线变换——就够用了。这份示例代码正是这么一套完全不依赖GPU的方案：输入道路视频的拆帧图片，输出画好车道线的标注视频，每一步都有可视化中间结果，适合在地面跑通第一个视觉闭环。适合刚接触视觉处理的学生，也适合想快速验证霍夫变换和ROI掩码工程效果的工程师。动手前先确认环境，命令行执行pip list | grep opencv能看到opencv-python版本再往下走，省得import cv2第一步就翻车。

2. 预处理链路先把路“框”出来：帧读取、灰度化与ROI掩码

2.1 视频帧读取与文件名排序：先拿到能处理的图片序列

这段代码把frames/文件夹下的所有图片读进来，按帧名里的数字排序，顺序不能乱。

import os import re import cv2 import numpy as np from tqdm import notebook import matplotlib.pyplot as plt col_frames = os.listdir('frames/') col_frames.sort(key=lambda f: int(re.sub('\D', '', f))) col_images = [] for i in notebook.tqdm(col_frames): img = cv2.imread('frames/' + i) col_images.append(img)

os.listdir返回的文件名顺序是不固定的，直接 sort 会按字典序排，frame_100.jpg会排到frame_2.jpg前面。这里的sort用了一个关键处理：re.sub('\D', '', f)把文件名里所有非数字字符删掉，['frame_002.jpg', 'frame_100.jpg']变成['002', '100']，再int()转成数字排序，保证视频帧按真实拍摄顺序排列。tqdm.notebook用来显示读取进度，图片在 Jupyter 里处理时能直观看到还剩多少张。cv2.imread默认按彩色三通道读入，所以col_images里每张图都是一个(height, width, 3)的 uint8 数组，后续取灰度通道用[:,:,0]就行。

2.2 创建掩码：为什么ROI用梯形而不是矩形

车道在图像里是近宽远窄的梯形，直接画矩形会把路肩、对向车道和天空都包进来，后面阈值化和霍夫变换会检出一堆干扰线。所以掩码区域用多边形框定。

idx = 457 stencil = np.zeros_like(col_images[idx][:,:,0]) polygon = np.array([[50,270], [220,160], [360,160], [480,270]]) cv2.fillConvexPoly(stencil, polygon, 1)

col_images[idx][:,:,0]取出第 457 帧的灰度通道，np.zeros_like生成一张和它尺寸完全相同的全 0 矩阵，作为掩码底图。polygon里四个顶点是图像坐标系下的坐标，(50,270)是左下角（梯形左底），(480,270)是右下角（梯形右底），中间两个点(220,160)和(360,160)是梯形上边，对应远处车道变窄的位置。cv2.fillConvexPoly用 1 填充这个梯形内部，于是stencil里车道区域全是 1，其余区域是 0。

注意：这四个坐标是针对示例视频的分辨率手工标定出来的，换视频必须重新标。我一般把第一帧截图到画图工具里，把车道两侧边界线的交点记下来再填进去，直接照抄别人的坐标大概率跑偏。

2.3 bitwise_and把ROI抠出来：一次看懂掩码运算

掩码建好后，用按位与把车道区域从整帧图里抠出来，这是整个预处理里最核心的一步。

masked = cv2.bitwise_and(col_images[idx][:,:,0], col_images[idx][:,:,0], mask=stencil)

cv2.bitwise_and对两个输入逐像素做按位与。同一张图传两次是 OpenCV 里的习惯写法，相当于只保留自己；真正的关键在mask参数——它指定哪些位置的像素参与运算。stencil里为 1 的像素保留原灰度值，为 0 的像素输出直接清零。于是掩码外的路肩、天空、对面车道全部变黑，只剩梯形车道区域，后续检测的干扰范围大幅缩小。

参数上有一点容易踩坑：mask必须和输入图同尺寸、单通道、值只能是 0 或 1。如果传进去的是一张普通灰度图而不是严格二值掩码，按位与会按二进制位逐位计算，产生意料之外的暗化效果，画面会变成一片灰蒙蒙。

2.4 阈值化：把车道线从灰度里“拉”出来

掩码之后是阈值化，目的是让车道线像素和路面背景彻底分开。

ret, thresh = cv2.threshold(masked, 130, 145, cv2.THRESH_BINARY)

THRESH_BINARY的规则是：像素值大于 130 的置为 145，小于等于 130 的置为 0。车道线比路面亮，经过这一步变成亮线，暗背景被清掉，输出是单通道二值图。这里要特别说清一点：第三个参数是maxval，不是区间上界，别理解成“只保留 130 到 145 之间的像素”——它是“比阈值大的所有像素都变成 145”。ret返回实际使用的阈值，这里就是 130，调试时可以打印出来确认。

为什么用 145 而不是常用的 255？对霍夫变换来说，非零像素的具体数值不影响直线检测结果，只要和背景有区分度就行，255 和 145 效果一样。真正需要重新标定的是 130 这个阈值：强光照下路面灰度经常超过 130，就调到 150～160；阴天或隧道里调低到 100～110。我一般会把掩码后的灰度图用plt.imshow看一眼，再决定阈值往哪个方向调。

3. 核心检测：HoughLinesP六个参数逐个说清，再动手画线

3.1 HoughLinesP的六个参数：每个参数都在控制什么

霍夫线变换是整个检测链路的引擎，代码里所有可调参数都在这一行：

lines = cv2.HoughLinesP(thresh, 1.0, np.pi/180, 30, maxLineGap=200)

HoughLinesP是概率霍夫变换，它不遍历所有边缘点，而是随机采样一部分点投票，效率比标准霍夫高，适合实时场景。六个参数含义如下：

注意minLineLength在示例代码里没有传，用的默认值 None，也就是不限制线段最短长度。这会让一些碎石边缘、路面裂缝被当成直线检出来，后面画线时会发现多了不少短横线。如果视频里这种噪声明显，建议显式传minLineLength=30，先过滤一波短碎线。

3.2 从参数到策略：怎么调出稳定车道线而不是满屏短线

调霍夫参数确实有点玄学，但本质是投票数、线段长度、间隙容忍度三者之间的平衡。常见现象是threshold从 30 调到 10，路面裂缝、阴影边缘都满足投票条件，画面上全是碎线；maxLineGap从 200 调到 50，车道中间因为磨损断线被识别成多段，画出来是虚线效果。

我一般按这个顺序调：先固定rho=1.0、theta=np.pi/180不动，只调threshold，观察检测出的线段是否稳定；再调maxLineGap，让同一侧车道线连成完整长线；最后才考虑minLineLength过滤噪声。一次只动一个参数，并且用连续几十帧验证，不要盯着一帧调到完美，换一帧就废。车道线检测最忌讳单帧调参，那叫过拟合画面，不叫参数可用。

3.3 把检测结果画出来：坐标提取与画布选择

检测到线段后，要把它们画到图像上做可视化。这里有个容易忽略的细节：画到灰度图上和画到彩色图上，颜色表现完全不同。

dmy = col_images[idx][:,:,0].copy() for line in lines: x1, y1, x2, y2 = line[0] cv2.line(dmy, (x1, y1), (x2, y2), (255, 0, 0), 3)

HoughLinesP的返回值是三维矩阵，shape 是(m, 1, 4)，m是线段条数，最内层四个值就是线段端点坐标。line[0]取出这条线段的x1, y1, x2, y2，再交给cv2.line画线。dmy是灰度图的副本，cv2.line在单通道图上画线时颜色只取 BGR 三元组第一个分量 255，显示为白色，线宽 3 像素。如果画到彩色帧上，(255, 0, 0)就是蓝色粗线——最终合成视频时用的就是彩色版本。

提示：为什么先copy()再画？因为HoughLinesP返回的是像素坐标，直接画在原图上会污染原始帧，后面想重新调参又得重新读图。调试期养成在副本上画线的习惯，能省很多重读图的时间。

4. 合成为视频：VideoWriter的编码、尺寸与逐帧写盘

4.1 VideoWriter：编码格式、尺寸和帧率怎么配对

所有帧处理完后要合成视频文件，VideoWriter是 OpenCV 的输出出口。参数不多，但尺寸和编码的坑不少。

pathOut = 'roads_v2.mp4' fps = 30.0 height, width = img.shape[:2] size = (width, height) out = cv2.VideoWriter(pathOut, cv2.VideoWriter_fourcc(*'DIVX'), fps, size)

VideoWriter四个参数依次是：输出路径、编码格式、帧率、帧尺寸。size必须写成(width, height)，而 OpenCV 图像shape返回的是(height, width)，正好反着。img.shape[:2]只取前两个值，避开彩色图第三通道维度的干扰。

编码格式由cv2.VideoWriter_fourcc决定，常见组合：

示例代码里DIVX写进.mp4，在部分平台能跑，在另一些平台上文件打不开或只有 0 字节。我的习惯是调试阶段用MJPG + .avi，确认检测效果没问题再换成mp4v + .mp4出正式结果，省得一路调参一路处理输出文件打不开的玄学问题。

4.2 逐帧处理循环：从单帧验证到批量生产

单帧流程验证通过后，把同样的操作套到所有帧上，循环体内就是完整的检测链路。

for img in notebook.tqdm(col_images): masked = cv2.bitwise_and(img[:,:,0], img[:,:,0], mask=stencil) ret, thresh = cv2.threshold(masked, 130, 145, cv2.THRESH_BINARY) lines = cv2.HoughLinesP(thresh, 1, np.pi/180, 30, maxLineGap=200) dmy = img.copy() try: for line in lines: x1, y1, x2, y2 = line[0] cv2.line(dmy, (x1, y1), (x2, y2), (255, 0, 0), 3) out.write(dmy) except TypeError: out.write(img) out.release()

循环里每帧重复掩码、阈值化、霍夫变换、画线、写盘的流程。这里dmy = img.copy()用的是彩色原图副本，所以最终视频里车道线是蓝色的，和第 3 章灰度图上画线表现不一样。try/except TypeError是关键容错：当画面里没有满足条件的直线时，HoughLinesP返回None，for line in lines直接抛 TypeError。捕获后写入原始帧，这一帧就没有车道线标注，但整个视频输出不会中断。

mask全程用同一个stencil，隐含假设是摄像头在整个视频过程中位置固定、视角不变。如果设备有震动或位移，这个假设失效，掩码区域会偏离实际车道，检测结果会飘。try/except不是吞异常偷懒，而是“这一帧检测不到就原样写出”的容错策略——丢掉一帧的标注比中断整个视频合理得多。

4.3 完整代码：修正后的可运行版本

把上面所有串起来，就是一份可以直接运行的完整脚本：

import os import re import cv2 import numpy as np from tqdm import notebook import matplotlib.pyplot as plt col_frames = os.listdir('frames/') col_frames.sort(key=lambda f: int(re.sub('\D', '', f))) col_images = [] for i in notebook.tqdm(col_frames): img = cv2.imread('frames/' + i) col_images.append(img) # 创建固定ROI掩码 stencil = np.zeros_like(col_images[0][:,:,0]) polygon = np.array([[50,270], [220,160], [360,160], [480,270]]) cv2.fillConvexPoly(stencil, polygon, 1) # 输出视频参数 pathOut = 'roads_v2.mp4' fps = 30.0 height, width = img.shape[:2] # 用shape[:2]而不是直接解包，避免ValueError size = (width, height) out = cv2.VideoWriter(pathOut, cv2.VideoWriter_fourcc(*'DIVX'), fps, size) # 逐帧处理 for img in notebook.tqdm(col_images): masked = cv2.bitwise_and(img[:,:,0], img[:,:,0], mask=stencil) ret, thresh = cv2.threshold(masked, 130, 145, cv2.THRESH_BINARY) lines = cv2.HoughLinesP(thresh, 1, np.pi/180, 30, maxLineGap=200) dmy = img.copy() try: for line in lines: x1, y1, x2, y2 = line[0] cv2.line(dmy, (x1, y1), (x2, y2), (255, 0, 0), 3) out.write(dmy) except TypeError: out.write(img) out.release() print('done, check roads_v2.mp4')

相比网上流传的版本，这里做了一个必要修正：height, width = img.shape[:2]。原因是加载帧循环结束后，img是最后一次cv2.imread的结果，彩色图 shape 是三元组(height, width, 3)，直接解包给两个变量会抛ValueError: too many values to unpack——这个问题在避坑章节还会细说。运行前确认frames/文件夹有拆好的帧图片，帧数最好 100 张以上，fps 按实际拍摄帧率设置，不要一律填 30。输出roads_v2.mp4后，用播放器多拖几段进度条看效果，别只看开头几秒就下结论。

5. 避坑手册：帧排序、空检测、数组解包与视频编码四个坑

5.1 帧文件名排序翻车：字母排序会让画面倒着跑

现象：处理完的视频里车道线位置跳变，车辆前进方向混乱，严重时看起来像倒放。

原因：os.listdir返回的文件名顺序本身不确定，直接调用sort()按字符串排，frame_100.jpg会排在frame_2.jpg前面——因为字符'1'比'2'小。帧顺序一乱，合成的视频画面就乱跳。

解决：sort的key必须用int(re.sub('\D', '', f))，把所有非数字字符删掉后再转整型排序。如果文件名里没有数字，正则提取不到内容，int()会抛异常，所以拆帧时命名务必带连续数字编号，比如frame_001.jpg、frame_002.jpg。

顺带说一句环境问题：如果import cv2直接报ModuleNotFoundError: No module named 'cv2'，多半是环境里压根没装 OpenCV，pip install opencv-python装完就行。如果是“装了 OpenCV 但找不到 cv2”，通常是 pip 装到了 user 目录而解释器路径不对，用python -m pip install --force-reinstall opencv-python重装最省事。

5.2 HoughLinesP返回None直接崩：TypeError的真相

现象：循环跑到某一帧突然抛TypeError: argument of type 'NoneType' is not iterable，程序中断，前面的白跑了。

原因：画面里完全没有满足条件的直线时，HoughLinesP返回None，而for line in lines会尝试迭代None。

解决：代码里已经用try/except TypeError把写帧操作包住，检测不到就写原始帧。更显式的写法是if lines is not None:再迭代，逻辑一目了然。try/except的优点是代码短，缺点是如果画线时其他位置也抛了 TypeError，也会被误吞，导致输出帧没有标注还看不出原因。调试期建议先把lines打印出来确认是不是None。

5.3 完整代码直接跑报ValueError: too many values to unpack

现象：把网上流传的完整版代码存下来直接运行，在height, width = img.shape这一行崩溃，错误是ValueError: too many values to unpack。

原因：img此时是最后一次cv2.imread读进来的彩色帧，shape 是(height, width, 3)三个值，用两个变量接不住。网上不少转载版本没改这个位置，能跑通是因为原作者在 Jupyter 里按分段执行，前面把img重新赋值为灰度图了，shape 只有两个值才解包成功。直接跑完整脚本的人几乎都会踩这一脚。

解决：一律写height, width = img.shape[:2]，或者在定义size时直接用(col_images[0].shape[1], col_images[0].shape[0])，不依赖循环结束后遗留的img变量。

5.4 视频文件0字节或打不开：编码和尺寸在捣乱

现象：程序正常跑完，输出文件只有几 KB，或者播放器直接报错无法打开。

原因：DIVX编码写进.mp4容器在部分平台上兼容性差；size写反，把 height 放到 width 位置，和实际帧尺寸不一致时，VideoWriter可能根本不写数据。

解决：先确认size = (width, height)，width取shape[1]、height取shape[0]。还不行就换编码：fourcc = cv2.VideoWriter_fourcc(*'MJPG')、输出路径改成.avi，MJPG 在几乎所有平台上都能写动，缺点是文件大。最直接的检查是处理完打印out.isOpened()，返回True才说明初始化成功，否则参数必然有问题。

5.5 单帧效果很好但连续视频抖动：固定掩码遇上光照变化

现象：截某一帧看，车道线画得又直又准；合成出来的视频里线却时断时续、忽左忽右。

原因：polygon是固定的，假设相机位置和角度全程不变；阈值 130 也是全局固定，早晚光照、树影会让部分帧的车道线灰度跌破阈值，检测直接失效。

解决：先确认摄像头确实固定，如果有震动就要做帧间配准或动态 ROI。阈值层面，把全局阈值换成 Canny 边缘检测或自适应阈值，具体做法在下一章。验证时别只看一帧，连续看几十帧，检测成功率到八成以上才算参数基本可用。单帧完美不能说明任何问题，连续稳定才能交给下一个环节。

6. 让检测更稳：Canny边缘检测替代阈值化，再用抽帧批处理验证参数

6.1 升级一：Canny + HoughLinesP，减少光照干扰

固定阈值对光照变化极其敏感，一个简单的升级是把cv2.threshold换成cv2.Canny，霍夫部分完全不用改：

edge = cv2.Canny(masked, 50, 150) lines = cv2.HoughLinesP(edge, 1, np.pi/180, 30, maxLineGap=200)

Canny 先算梯度再双阈值滞后，50 和 150 分别是低阈值和高阈值。边缘强度在两者之间、且连接到高阈值边缘的像素会被保留。和全局阈值相比，Canny 是局部梯度响应，不是绝对灰度，所以对光照渐变更鲁棒。车道线在画面里是比较强的边缘，低阈值设 40～60、高阈值取低阈值的 2～3 倍是一个合理的起手区间。低阈值设太低会把路面裂缝全检出来，设太高虚线车道线会断成碎段，这个参数需要按自己的视频再磨一下。

6.2 验证方法：抽帧跑批处理，别对着单帧调参

调参最怕只盯一帧，换一帧就废。我的习惯是从整段视频里随机抽 10 帧，跑一遍完整链路，统计每帧检出的线段数：

import random random.seed(42) sample_idx = random.sample(range(len(col_images)), 10) for idx in sample_idx: frame = col_images[idx][:,:,0] masked = cv2.bitwise_and(frame, frame, mask=stencil) edge = cv2.Canny(masked, 50, 150) lines = cv2.HoughLinesP(edge, 1, np.pi/180, 30, maxLineGap=200) count = 0 if lines is None else len(lines) print(f"frame {idx}: {count} lines")

随机抽帧能覆盖白天、阴影、弯道等不同情况。如果某几帧是 0，说明参数在这些场景失效。我一般要求 10 帧里至少 8 帧能检出超过 2 条线段，再合视频看效果。批处理的好处是把“看起来行”变成“统计上行”，比单帧调参靠谱得多。

那段固定polygon的掩码在摄像头震动或车身颠簸时会偏出真实车道线区域，典型表现是弯道时画出的线飞出去。最简单的补救是把多边形整体往外扩一圈，给误差留余量；更完整的做法是每隔 N 帧重新检测画面里的强边界，自动更新梯形顶点。这份示例代码是固定 ROI 版本，够覆盖固定机位的大部分场景，接真实行车记录仪时建议先标定相机，再决定要不要上动态 ROI。

我最早跑车道检测时，被那个polygon坐标坑过——以为自己拿到的视频和示例是同一类机位，直接照抄四个顶点，结果检出的“车道线”全在路肩上。后来我养成一个习惯：每换一段视频，第一件事是截第一帧，在画图工具里把车道边界描一遍，得出新的polygon，再调阈值，最后用随机抽帧批处理验证。这个顺序看着啰嗦，但能省掉大量来回试参的时间。到现在我处理固定机位的视觉任务，还是先框 ROI、再谈检测这套起手式。希望帮到你。

本文还有配套的精品资源，点击获取