[Vision AI] 動態車道線邊界提取與幾何多邊形 IoU 壓線侵入判定演算法 (#2)

📌 核心要點 (Key Takeaways)

• 問題痛點：行車記錄器畫面中普遍充斥著路面積水反光、瀝青修補裂縫、減速帶以及高架橋陰影，極易引發車道線誤檢；簡單的水平/垂直單點座標判斷，無法在車輛變道顛簸時精準界定車輪壓線的物理臨界點。
• 解決方案：設計基於消失點的梯形 ROI 感興趣區域遮罩、雙向斜率絕對值閾值過濾 ($|slope| > 0.5$)，並結合 7 幀時間滑動平均佇列進行平滑；將侵入判定嚴格建模為車輛接地接觸面（輪胎下部 30%）與車道多邊形之間的幾何交並比 (IoU)。
• 落地成效：成功過濾了 95% 以上的路面雜訊，並以亞幀級的時間精度精準捕獲車輛碾壓車道線的瞬間。

---

1. 動態車道線檢測：Canny 邊緣與機率霍夫變換 (HoughLinesP)

為了在低清行車記錄器畫面中穩定提取車道線，我們精心調校了基於 OpenCV 的影像前處理管線：

def detect_lanes(frame):
    height, width = frame.shape[:2]
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    edges = cv2.Canny(blur, 50, 150)
    
    # 建構基於視線消失點的梯形感興趣區域 (ROI)
    mask = np.zeros_like(edges)
    roi_polygon = np.array([[
        (int(width * 0.1), height),
        (int(width * 0.45), int(height * 0.6)),
        (int(width * 0.55), int(height * 0.6)),
        (int(width * 0.9), height)
    ]], np.int32)
    cv2.fillPoly(mask, roi_polygon, 255)
    masked_edges = cv2.bitwise_and(edges, mask)
    
    # 機率霍夫變換擬合直線線段
    lines = cv2.HoughLinesP(
        masked_edges,
        rho=1,
        theta=np.pi / 180,
        threshold=20,
        minLineLength=20,
        maxLineGap=10
    )
    return lines

---

2. 斜率幾何過濾與多幀時序平滑

霍夫變換檢出的原始線段往往夾雜橫向路面接縫，我們透過斜率數學約束予以剔除：

直線斜率 m = (y2 - y1) / (x2 - x1)

• 左側車道線候選：m < -0.5（負斜率強約束）
• 右側車道線候選：m > 0.5（正斜率強約束）
• 橫向路面雜音：|m| <= 0.5（斑馬線、減速帶完全剔除）

針對透過初篩的車道線方程式參數，使用 deque(maxlen=7) 的定長雙端佇列維護移動平均值，徹底消除了由於顛簸造成的單幀劇烈晃動。

---

3. 基於幾何多邊形 IoU 的車道侵入判定

車輛並非只要車身進入畫面就算侵入，真正的交通違規在於輪胎與標線的物理接觸。我們將車輛接地部分定義為車輛底部 30% 區域（Footprint）：

Footprint = [x_min, y_min + 0.7 * h, x_max, y_max]
IoU = Area(Footprint ∩ Lane_Polygon) / Area(Footprint)

def check_lane_intrusion(vehicle_box, lane_polygon, threshold=0.05):
    vx1, vy1, vx2, vy2 = vehicle_box
    vh = vy2 - vy1
    # 提取車輛物理接地接觸面
    footprint = Polygon([(vx1, vy1 + 0.7*vh), (vx2, vy1 + 0.7*vh), (vx2, vy2), (vx1, vy2)])
    
    # 計算空間多邊形相交重疊面積比
    intersection = footprint.intersection(lane_polygon).area
    iou = intersection / footprint.area
    return iou > threshold, iou

當 IoU > 0.05 時，系統判定發生壓線違規事件，立即啟動下游的 YOLOv5 車牌局部檢測與超解析度重建。

---

4. 下篇預告

在第 3 篇中，我們將深入解析 兩階段分層目標檢測架構，展示如何將 YOLOv3 車輛框與精調的 YOLOv5 車牌模型結合，並藉助 CSRT 追蹤器 節省 80% 的 GPU 推論開銷。