cpp version
本车道线识别算法基于UdaCity自动驾驶课程中的车道线识别算法。采用传统CV中的阈值过滤来识别车道线。
本算法输入为一张图像，可以得到左右车道在图像中的二次拟合曲线、当前车辆位置与车道中央的偏移。偏移量可提供给PID控制模块，进行横向控制，保持车在车道中。
算法的步骤为：
- 图像预处理
- 车道线拟合与偏移计算
图像预处理步骤代码在ImageHandle.h/ImageHandle.cc中，构建了一个类ImageHandle，主要功能为进行阈值过滤和透视变换。
- 阈值过滤与二值化： 本算法中使用hls阈值过滤，hls格式的image中选择一个channel，当该channel上的像素值大于某个阈值时，就将其设置为255,小于该阈值时设置为0
- 透视变换：透视变换通过透视变换矩阵，将图像中“相交”的车道投影为平行线
图像预处理类ImageHandle，可无参数构造，也可传入一个图像处理参数结构体来进行初始化，无参数构造时，使用默认的参数，这个参数可能并不适合当前的环境，建议传入图像处理参数结构体来进行初始化。
该类的使用请参见main.cpp。
车道线拟合与偏移计算接收图像预处理得到的二值化图像，利用滑动窗口来寻找车道区域。找出车道区域之后，利用二次拟合来计算出车道的拟合曲线，并根据左右拟合到的曲线来计算出车辆距离车道中心的偏移。这部分的代码在LaneFitting.h/cc与CurveFit.h/CurveFit.cc中。
这部分分为两个类：LaneFitting与QuadFitting，前者将上述提到的过程封装起来，后者提供一个二次曲线拟合的工具。
LaneFitting类采用无参数构造，其中findLane(cv::Mat image_pres)函数接收ImageHandle处理之后的图像，利用滑动窗口法找出车道线区域。laneFitting()函数接受ImageHandle处理之后的图像，调用findLane()函数，在找到车道线区域之后，拟合出左右车道线的二次曲线，计算出距离中心的偏移。
// TODO: LaneFitting类中还有两个私有函数，需要使用这两个私有函数来将fineLane函数来进一步结构化，使得函数代码不那么冗长
QuadFitting类采用手写VIO课程中提供的非线性优化器，用于求解最小二乘法。该求解器的原理来源于谷歌的g2o框架。实际上，这个求解器是g2o的简化版本。QuadFitting类位于CurveFit.h/cc文件中。该文件构建了二次曲线拟合的图优化顶点、图优化超边，在QuadFitting类中，利用顶点和超边，构建和求解二次曲线拟合问题。
QuadFitting类的构建函数参数为自变量vector和因变量vector的引用，函数solve()接收二次函数系数组成的vector的引用，拟合出的结果填入该vector中。
非线性优化框架的使用可以参见3rdParty/CurveFitting_LM_TEST.cc文件中的内容。
// TODO: 在适当的时候可以重构求解器，或将其换成ceres、g2o，ceres貌似比g2o要快。
- 3rdParty中为非线性优化求解器的源码
- include中为头文件
- src中为include文件夹中头文件对应的
.cc文件，此外，还有QuadFitting类的测试文件``CurveFit_TEST.cc`，以及整个车道线识别算法的测试文件main.cpp。
本项目所需的操作系统为Linux系列，可在PC、Atlas-200DK、RasberryPi、Nvidia Jetson系列嵌入式开发板上编译运行。
本部分编译运行所依赖的环境包括以下几个工具与第三方库：
- cmake工具连，用于C++工程项目的构建，版本需要2.8以上
- OpenCV，用于计算机视觉的处理，版本建议3.4.8
- Eigen，矩阵计算库
上述依赖环境请自行安装。
在编译之前，要更改main.cc中的图片路径：
# 在project dir下
vim src/main.cpp将代码第12行中imread()读取图片的路径改为自己环境下的图片路径：
superman = cv::imread("/home/lho/MyProgramm/Dev/LaneDetection/TEST_Date/lane4.jpg");执行如下命令，编译程序：
- 构建cmake工程
mkdir build
cd build
cmake..- 编译 上一步成功之后，执行：
make若显示编译成功，则编译成功。
- 运行 编译成功之后，执行以下指令来运行车道线识别算法的测试：
./LaneDetection_TEST