但是，我希望深度神经网络能具有更好的效果，所以我决定统一使用红线来手动绘出真实的车道线，以便接下来可以使用红色阈值来更好地检测车道线。我最初以为需要处理14000张图像，但这将会花费太长时间，不切合实际；同时，如果在低速时多张相近的图像同时存在，则预测模型的准确率可能会虚高。考虑到时间对数据集的影响，我决定从每10张图像中抽取一张，从而创建了只具有1400张训练图像的原始数据集。

　　图8：由于最终的模型仍能在模糊的夜间图像中检测到车道线，看来这个方法提高了模型的鲁棒性。

　　此后，我根据以往项目做法创建了一个程序，在道路图像上使用了传统的CV检测模型，用拟合出的多项式，来重新绘制车道线。这种做法可以节省图像处理的时间，但在我检查实际效果时发现了一个明显的问题：虽然我已经用大量弯曲道路的图像来训练这个传统模型，但是仍然不能检测到所有的车道线。在训练集的1400张图像中，大约有450张无法使用，出现问题的样本主要是弯曲道路图像。

　　然而，我意识到这是由于算法的滑动窗口机制，导致这个模型本身存在问题。如果一条车道线在图像边缘停止了，原始的滑动窗口将沿着图像边缘垂直向上迭代，导致该算法相信该线往该方向延伸。我们可以通过判断滑动窗口是否触及图像边缘来解决这一问题，如果滑动窗口触及边缘，且已在图像里迭代若干步（这么设置是防止模型开始时被误判断触及边缘），那么滑动窗口就停止工作。

　　图9：在弯曲道路图像上建立一系列滑动窗口，前后处理效果对比

　　从图里看出，这个效果很好，故障率降低了一半，从原来的约450张减少到约225张。我想通过检查标签的实际分布情况来分析无法使用的剩下图像。我通过直方图来检查六个系数的实际分布，结果显示拟合曲线仍趋于直线。我还尝试增大弯曲道路图像的所占比例，但问题没有解决：对于极其弯曲的道路，检测出的车道仍然很笔直。

　　图10：一个车道线系数的分布图：明显以直线为中心。

　　我借用了以前参加过的一个交通标志检测项目的经验。那个项目的数据集中，有些类别图片非常少，我对它们进行小幅度旋转操作，增加了该类数据的比例，大大提高了准确率。

　　我再次使用这种方法，对于某一特定分布范围之外的任何系数标签，对图像进行小幅度旋转并同时保持相同的标签。对于其中的三个系数，我大约各处理了400、100和30张图像，部分图片可能进行了三次调整操作。

　　图11：对部分图像进行旋转后，单个系数分布更为均匀。

　　在旋转图像后，每个系数的分布更为合理。当然，我还对数据集及标签进行了一些快速预处理操作。训练集的图像从最初的720 x 1280以不同倍数缩小，并进行归一化，有助于模型加快收敛。我也使了用sklearn库中的StandardScaler函数来归一化图像标签，归一化时请确保保存缩放信息，因为在最后一步需要恢复操作。标签归一化后会降低训练时的Loss值，但是绘制回到原始图像后，最终的结果也提升不大。

　　引入深度学习

　　你可能会想，接下来不采用透视变换方法了么？是的，但是为了创建一个初始的模型结构，我想基于这个特定的数据集，将深度学习方法和传统CV检测模型的效果做对比。因此网络输入是做了透视变换后的道路图像，在逻辑上，神经网络可能更容易学习到相关参数。

　　在这里，我使用了一个与行为克隆（Behavioral Cloning）项目中类似的模型结构，包括一个批归一化（BN）层，接上多个卷积层、一个池化层、一个扁平层和多个全连接层。最终的全连接层的输出大小为6，也就是要预测的车道线系数数量。我还使用Keras库中ImageDataGenerator函数，主要通过旋转、偏移高度和垂直翻转来试图增强模型的泛化能力，因为水平翻转可能会误导网络去识别车道信息。经过对模型结构、超参数和输入图像大小的微调后，该模型的效果不错，但是对输入输出的透视变换操作极其依赖。总体来说，这个模型不能让我满意。

　　新的车道检测模型