之前寫的 https://blog.csdn.net/u010712012/article/details/84728708
分析違章檢測的流程，其中流程圖如下：

這個流程當中的違章變道是最近在研究的內容，這裡頭有幾個關鍵點：
1.車道線
2.車輛
3.變道判決

車道線的檢測我嘗試了經典的Hough變換 https://blog.csdn.net/u010712012/article/details/84780943
以及LSD演算法：
https://blog.csdn.net/u010712012/article/details/85038614
這兩種演算法的區別是Hough變換直線檢測的準確度沒有LSD來的快。

但是在我們這個違章變道的場景下，單獨在一張圖片當中檢測出車道線，不管是實線還是虛線，都檢測出來，而其他的物體，都希望把它們過濾掉(如果車輛壓在車線上)，那麼倘若車輛被濾掉了(黑色的車輛很可能就被濾掉了)，那麼車道線一定是斷續的。那麼我們如何判斷車輛違章變道？

一個思路是這樣的，在一幀圖片當中車輛是壓著線的，這個時候這張圖片我們來進行多種處理：

1.車道線單獨檢測出來，其他部分濾除，也就是ROI感興趣區域就只有那些車道線。

2.在那張車輛壓線的圖片中單獨檢測車輛，是否有車輛，以及車輛的位置。

後續判斷車輛是否壓線，則對這兩張檢測出來的圖片進行比對，若前幾幀的車道線與這一幀壓線的圖片匹配不了，而這一幀檢測出來又有車輛，則判斷車輛是壓在了線上。即車道實線在車輛不壓線的情況下都是可以匹配的，但是壓線的時候那一塊車道線斷續了，而又能檢測出來那一塊是車輛，則判斷壓線。

而違章變道則是在已知壓線的基礎上，獲取前幾幀與後幾幀的圖片，對車輛的特徵進行跟蹤，看是否是同一輛車，利用數學模型判斷車輛與車道線的位置，就可以判斷車輛是否違章變道。

這裡面的工作就需要並行完成：

1.車道線怎麼單獨給檢測出來，能不能通過閾值處理/ROI選取，把其他非車道線的部分給濾除。因為高速公路車道線基本都是白線，所以用閾值可能管用，或者彩色空間也可以試試。看看專門檢測車道線的論文，只剩下背景和車道線的，相當於車道線分割提取出來的論文，是這周到的重點。12.19-12.25

2.車輛檢測，這個用YOLO可以把車輛分類出來還能有一個bbx，怎麼在一張圖片中單獨檢測出有車，這個恰好是目前深度學習的優勢，或者有HOG_SVM檢測車輛，這個就是需要得到車輛的特徵，機器學習演算法無非就是我們人為給是車輛的標上正，不是的標負的標籤，然後用大量資料去訓練，最後計算機才知道一張圖片當中是不是車。這個也努力弄出來12.19-12.25

檢測出圖片中有車，車的位置，試著把其他地方也給濾掉，這樣兩張處理好的圖片，一張全是車道線，一張就只有檢測到的車輛，那麼後面就通過數學模型，講道理最後都是迴歸數學，這就是演算法的天花板吧！