基于OpenCV的Python视频车道线检测项目实战解析

简介本资源是一套面向计算机视觉初学者与智能交通系统开发者的基于OpenCV的Python视频车道检测实战项目聚焦道路监控场景下的实时车道线识别问题适用于课程设计、毕业设计及算法原型验证。压缩包共89个文件大小49.92MB涵盖6个核心Python源码含摄像头标定、透视变换、组合阈值处理、车道线拟合与视频流处理等模块、41张PNG与28张JPG图像含标定图、测试图、二值化/鸟瞰/标注结果图等全流程中间态样本、2个MP4视频原始输入与检测输出对比、4个XML参数配置文件及LICENSE等工程必需文件。已有436人学习下载资源结构完整、模块职责清晰提供从图像预处理→畸变校正→特征提取→车道拟合→视频可视化的一站式实现路径附带readme说明与可直接运行的脚本便于快速复现、调试与二次开发。 这个项目在我见过的计算机视觉入门作品里属于“经典中的经典”用Python加OpenCV对一段行车记录仪视频做车道线检测最后把车道线稳定地画在原视频上。听起来简单但真要把线条画得稳、画得准里面涉及图像预处理、边缘检测、感兴趣区域提取、霍夫变换、线段分组拟合等一系列环节每一步都有讲究。这篇文章我就以“基于OpenCV的Python视频道路车道检测设计源码”为线索把整个项目的设计思路、核心实现、踩坑记录和进阶方向一次说透。无论你是准备做课程设计、毕业设计还是刚开始接触图像处理这篇文章都能给你一条清晰可走的路线。1. 项目概述与整体设计思路1.1 这个项目到底解决什么问题先明确一下项目目标输入一段车辆行驶过程中拍摄的前方道路视频程序逐帧处理识别出左右车道线并在每一帧画面上用醒目的线条标注出来最终输出一段带检测结果的视频。听起来像自动驾驶才有的功能但依靠传统图像处理技术不需要神经网络不需要GPU一台普通电脑就能跑起来。这类项目最常见的应用场景是课程设计和毕业设计。因为它难度适中、可视化效果好、技术栈完整从视频读取、图像处理到结果输出每个环节都有明确的考核点。而它背后涉及的边缘检测、直线提取、坐标变换等知识点又是计算机视觉方向的基础功所以一直被当作入门必做项目。对于刚接触OpenCV的读者这个项目也是一个很好的“串联型”练习。它不是单一函数调用而是把灰度化、滤波、边缘检测、掩膜、直线检测等多个基础操作组合成一条完整流水线。做完这个项目你对OpenCV的很多API会从“见过”变成“会用”。1.2 为什么选OpenCV而不是深度学习现在提到车道检测很多人第一反应是用YOLO、分割网络这类深度学习方法。但传统图像处理方案在特定场景下依然有不可替代的优势。首先是计算开销。深度学习模型动辄几十MB到几百MB推理一帧耗时从几十毫秒到几百毫秒不等而OpenCV的传统方案只要几毫秒就能处理一帧实时性完全不在一个量级。其次是部署门槛深度学习需要配置框架、下载权重、处理CUDA环境一个环境问题就能卡住新手一整天。传统方案只需要pip install opencv-python就能跑通。再就是可解释性。深度学习的检测结果是个黑盒它为什么把路边的栏杆误判成车道线你很难讲清楚。但传统方案每一步都有明确的数学和物理含义边缘检测找的是图像梯度突变区域霍夫变换检测的是共线像素点出了问题可以逐环节排查。对教学场景来说这种“可解释”本身就是重要的学习价值。当然传统方案也有明显局限。它对车道线清晰度、光照稳定性要求较高遇到强逆光、雨雪天气、车道线严重磨损的场景效果会明显下降。所以这个项目比较适合“结构化道路、标线清晰、光照稳定”的典型行车环境。这也是我后面要强调的理解方案的适用范围和理解方案本身一样重要。1.3 车道检测的整体流程图解整个检测流程可以用一条流水线来概括视频帧读取 → 灰度化 → 高斯模糊去噪 → Canny边缘检测 → ROI掩膜裁剪 → 概率霍夫变换提取直线 → 左右车道线分组拟合 → 在原图上绘制结果 → 写入输出视频。每一个环节存在的理由都很直接。视频帧读取是数据入口没有帧后面全都不用谈。灰度化是把三通道彩色图像压缩成单通道减少计算量的同时保留边缘信息。高斯模糊是为了降低图像噪声避免边缘检测阶段出现大量细碎的假边缘。Canny边缘检测是核心中的核心它把灰度图转成一张只有边缘像素为白色的二值图。ROI掩膜则是把图像裁剪成我们关心的梯形路面区域把天空、绿化带、对面车道等干扰信息直接屏蔽掉。霍夫变换负责从二值边缘图中检测出直线。但它检测出来的直线往往是一段一段的零散线段既有真正车道线的片段也有道路裂缝、路缘石等产生的干扰线。所以最后还要做分组和拟合把属于同一条车道的线段合并成一条贯穿画面的直线这一步直接决定了最终画出来的线是稳定还是满屏乱跳。理解了这个整体流程后面每一步的学习就都有了方向感。你不再是记API调用而是在理解和实现一条有逻辑的视觉检测链路。2. 核心实现预处理、ROI与Hough变换的细节拆解2.1 图像预处理三连灰度化、高斯模糊与Canny边缘检测图像预处理是整个检测链路的起点也是直接影响最终效果的一环。很多人上来就调用Canny结果边缘图里全是乱七八糟的纹理原因就是前面两步没做好。第一步灰度化代码是cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)。彩色图像有三个通道每个像素需要处理三个值而灰度图只需要一个值计算量直接降为原来的三分之一。更重要的是Canny边缘检测本身基于梯度计算灰度图已经包含了足够的梯度信息颜色信息在这里是冗余的。这也是为什么几乎所有边缘检测任务第一步都是灰度化。第二步高斯模糊代码是cv2.GaussianBlur(gray, (5, 5), 0)。它的作用是去除图像中的高频噪声。行车记录仪的视频往往存在传感器噪声如果直接做边缘检测这些噪声点会被误识别为边缘产生大量无意义的短线段。高斯模糊就好比把画面用磨砂玻璃遮了一层细碎的噪点变模糊了而车道线这种有明确走向的大尺度边缘依然清晰。内核大小选择(5,5)还是(3,3)取决于图像的清晰度和噪声程度。光线好的高清视频用(3,3)能保留更多细节噪点明显的视频用(5,5)更能压制干扰。需要注意的是内核必须是奇数因为卷积操作需要一个明确的中心锚点。第三步Canny边缘检测代码是cv2.Canny(blur, 50, 150)。Canny是目前最经典的边缘检测算法它的核心思想是先用高斯梯度算子计算出每个像素的梯度幅值和方向然后通过非极大值抑制把梯度方向上不是局部最大值的像素剔除最后用双阈值法确定哪些边缘是真正的强边缘哪些是会延续强边缘的弱边缘。双阈值的设定是个经验活。低阈值太低会把路面纹理、阴影边界全部当成边缘高阈值太低又会出现边缘断裂车道线中间缺一段。我实践下来比较好用的规律是高阈值取低阈值的2到3倍比如(50, 150)或(60, 180)。如果视频画面整体偏暗或者有阴影可以先对灰度图做一次直方图均衡化cv2.equalizeHist(gray)把对比度拉大再加Canny车道线会明显一些。但要注意直方图均衡化在提升对比度的同时也会放大噪声所以一定要配合高斯模糊一起用顺序是灰度化 → 均衡化 → 高斯模糊 → Canny。2.2 ROI掩膜让程序只盯着路面看图像预处理结束后我们得到的是一张包含整幅画面边缘的二值图。但镜头里除了车道线还有路边的树木、护栏、天空的云、对面的来车这些边缘信息对车道检测来说全是干扰。所以我们需要用ROIRegion of Interest感兴趣区域掩膜把检测范围限制在路面区域。关键点在于路面在图像中并不是一个矩形而是一个梯形。这是因为透视关系车道线在近处宽、远处窄最终汇聚在远方的消失点。如果简单地取一个矩形区域依然会把两侧的护栏、树木包含进来。正确做法是用一个梯形区域去匹配路面在画面中的实际形状。ROI坐标是写死的但这恰恰是新手最容易踩的坑。以640x480分辨率的视频为例一个可行的梯形顶点坐标是左下角(0, 480)、右下角(640, 480)、右上角(430, 290)、左上角(210, 290)。这个坐标的含义是画面底部全宽保留因为车道线在车头附近就在画面两侧边缘画面顶部只保留中间约三分之一因为远处车道线在画面中心附近汇聚。如果你换了不同分辨率的视频这些坐标必须按比例换算否则检测结果会完全错乱。这个问题我在第3章会详细展开。生成掩膜的操作分四步。第一步用np.zeros_like(edge_image)创建一张全黑的单通道图。第二步用cv2.fillPoly在黑色图像上填充白色梯形。第三步用cv2.bitwise_and把边缘图和掩膜做按位与运算这样只有梯形区域内的边缘会被保留区域外全部变黑。最后得到的就是一张只在路面范围内有边缘信息的图。2.3 Hough变换从边缘像素到车道线到了这一步我们拿到了路面范围内的边缘二值图但图中的“线”还是由离散像素点组成没有数学意义上的直线方程。霍夫变换就是用来解决这个问题的经典算法。霍夫变换的基本思想是把图像空间中的每个边缘像素点映射到参数空间。在图像空间中一条直线可以表示为y kx b在参数空间中一个像素点(x0, y0)对应一条直线b -x0 * k y0。如果多个像素点映射出的参数直线交于同一点说明这些像素点在原图像中共线。通过统计参数空间中交点处的票数就能找出图像中最显著的直线。OpenCV提供了两个霍夫变换接口标准霍夫变换cv2.HoughLines和概率霍夫变换cv2.HoughLinesP。车道检测项目里我强烈建议直接用HoughLinesP。原因是标准霍夫变换只输出直线的极坐标参数你需要自己再去计算线段端点非常麻烦而概率霍夫变换直接输出线段的起点和终点坐标拿过来就能画图还能通过minLineLength和maxLineGap参数过滤掉太短和间隔太大的碎片线段。cv2.HoughLinesP的核心参数及经验值如下参数含义建议值rho参数空间距离分辨率单位像素1theta参数空间角度分辨率单位弧度np.pi/180threshold判定为直线所需的最小交点票数30~50minLineLength小于该长度的线段被丢弃30~50maxLineGap同一直线上两点最大允许间隔20~50这些参数对检测结果的敏感性不同。threshold越小检测出的线段越多但也越容易混入噪声线minLineLength越大保留的线段越少线条越长但容易把短的车道线碎片整个丢掉maxLineGap越大越能把断断续续的车道线片段连接成一条长线但过大时会把不同方向的两段线错误连接。实际调参时我建议一次只改一个参数改完跑一遍视频看效果而不是同时动好几个参数否则出了问题根本不知道是谁引起的。2.4 车道线分组与拟合决定检测效果是否平滑的关键一步霍夫变换返回的是一堆线段这些线段里有真车道线也有大量干扰线。而且即使全是真车道线也是断断续续的碎片。直接把这一堆线段画到视频上效果会非常毛躁线段忽长忽短、忽左忽右完全不像是车道检测的结果。所以分组与拟合这一步是让效果从“能跑”变成“好看”的关键。我常用的分组策略是先根据线段中点的x坐标判断它属于画面左半区还是右半区。左半区的线段进左组右半区的进右组。这样分完还要计算每条线段的斜率剔除明显异常的线段。比如在车头视角下左车道线在图像坐标系中大致是一条斜率为负或接近竖直的线右车道线则相反。如果某个组里混入一条水平方向的线大概率是路面的阴影或裂缝直接过滤掉。分组完成后对每组里的线段做拟合。最直观的做法是用np.polyfit做最小二乘一阶拟合得到一条直线的斜率k和截距b。但最小二乘对离群点比较敏感如果分组过滤不够干净拟合出来的直线会被带偏。更稳妥的简化方案是算出所有线段端点的平均坐标再结合平均斜率确定一条直线方程。最后根据ROI区域的高度范围计算出直线在画面上下边界处的端点把这条直线画出来。拟合这一步做好之后视频里的车道线会稳定很多。你会发现线条不再跳动而是稳稳地贴合在真实车道线的位置上。很多开源项目里“检测线乱跳”的问题十有八九是省掉了这一步或者分组逻辑写得太粗糙。3. 实操落地环境搭建、源码解析与参数调优3.1 OpenCV安装与Python环境配置环境搭建看起来是小事但我在帮别人排查问题时发现很多同学卡在第一步就卡了很久。这里把Windows和Linux两种常见环境的安装过程说清楚。Windows下最省事的方式是用pip直接安装。打开命令提示符或PowerShell执行pip install opencv-python如果后面需要用到SIFT、ORB这类算法还需要安装扩展包pip install opencv-contrib-python安装完成后验证python -c import cv2; print(cv2.__version__)如果能输出版本号说明安装成功。常见的问题是ModuleNotFoundError: No module named cv2这一般是解释器不对导致的。尤其是用VSCode写代码时编辑器右下角选择的Python解释器和你在终端里用的解释器不是同一个pip装到了A环境代码却在B环境里跑。解决办法是先在VSCode里看当前解释器的路径再用这个解释器对应的pip重新安装/path/to/python -m pip install opencv-pythonLinux系统下除了pip还可以用apt安装系统级OpenCV库sudo apt update sudo apt install libopencv-dev python3-opencv安装后同样用python3 -c import cv2; print(cv2.__version__)验证。我个人的建议是如果是做Python项目优先用虚拟环境加pip安装避免和系统自带的OpenCV版本冲突。python -m venv venv创建虚拟环境后在虚拟环境里激活再装依赖环境干净可复现后面写项目文档也省事。顺便提醒一句网上搜索OpenCV安装教程时经常会看到一些所谓“官方源”“最新版5.0.0”的下载链接这些很多是不明来历的安装包不要乱装。直接走官方仓库或pip官方源最安全。3.2 源码目录结构与核心代码逐段解析一个清晰的项目结构能省去很多后期维护的麻烦。我的建议是把这个项目拆成三个模块lane_detection/ ├── main.py # 主程序视频读取、逐帧调用检测函数、结果输出 ├── lane_utils.py # 车道检测核心函数集合 └── config.py # 参数配置ROI坐标、Canny阈值、Hough参数等把参数统一放在config.py里是为了调参方便。不要每次调一个参数都要翻半天代码找它在哪集中管理一目了然。lane_utils.py里的核心检测函数可以这样组织import cv2 import numpy as np def process_frame(frame, config): # 1. 灰度化 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 2. 高斯模糊 blur cv2.GaussianBlur(gray, (5, 5), 0) # 3. Canny边缘检测 edges cv2.Canny(blur, config.canny_low, config.canny_high) # 4. ROI掩膜 mask np.zeros_like(edges) cv2.fillPoly(mask, [config.roi_vertices], 255) masked_edges cv2.bitwise_and(edges, mask) # 5. 概率霍夫变换 lines cv2.HoughLinesP(masked_edges, 1, np.pi/180, thresholdconfig.hough_threshold, minLineLengthconfig.hough_min_length, maxLineGapconfig.hough_max_gap) # 6. 车道线分组、拟合与绘制 result draw_lane_lines(frame, lines, config) return resultmain.py的主循环相对固定核心逻辑是cap cv2.VideoCapture(test_video.mp4) fps cap.get(cv2.CAP_PROP_FPS) width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) out cv2.VideoWriter(output_video.avi, cv2.VideoWriter_fourcc(*XVID), fps, (width, height)) while cap.isOpened(): ret, frame cap.read() if not ret: break result process_frame(frame, config) out.write(result) cv2.imshow(Lane Detection, result) if cv2.waitKey(30) 0xFF ord(q): break cap.release() out.release() cv2.destroyAllWindows()这里有两个细节值得注意。一是VideoCapture读取视频时可以用文件路径也可以传摄像头索引值比如cv2.VideoCapture(0)表示打开默认摄像头。二是VideoWriter的输出格式要和输入视频的帧率、分辨率保持一致否则最后生成的视频要么打不开要么播放速度不对。3.3 不同视频分辨率下的ROI坐标换算方法前面提到ROI坐标是写死的这是这个项目里最大的坑之一。很多同学在网上下载的测试视频是1280x720自己录的视频是1920x1080直接跑同一套代码检测结果完全对不上原因就是ROI梯形区域的坐标没有按分辨率换算。正确的做法是把ROI坐标定义为相对于画面宽度和高度的比例值而不是绝对像素值。比如对640x480的视频左下角是(0, 480)如果画面顶部左右顶点分别是(210, 290)和(430, 290)换算成比例就是左下角(0/640, 480/480) (0.0, 1.0)右下角(640/640, 480/480) (1.0, 1.0)右上角(430/640, 290/480) ≈ (0.67, 0.60)左上角(210/640, 290/480) ≈ (0.33, 0.60)在代码里这样处理def get_roi_vertices(frame_width, frame_height, roi_ratio): vertices [ (int(roi_ratio[i][0] * frame_width), int(roi_ratio[i][1] * frame_height)) for i in range(len(roi_ratio)) ] return np.array([vertices], dtypenp.int32)这样不管输入视频是高清还是标清梯形区域在画面中的相对位置都不会变。不过要注意这只是解决了分辨率缩放的问题。如果你的摄像头安装角度变了比如前挡风玻璃位置更高或更低透视关系就会变化比例坐标也需要相应调整。调整的方法很简单跑程序时在画面里实时打印出当前帧用鼠标获取几个关键点的坐标再更新配置。3.4 测试视频的选取与效果评估测试视频对项目调试的影响非常大。同样的代码在不同视频上表现可能天差地别。选测试视频时尽量找满足这几个条件的白天、晴天、车道线清晰、车辆不多、道路平整。等基础版本的代码能稳定运行了再去挑战黄昏、阴雨、多车道的场景逐步发现算法瓶颈。评估检测效果时不要只看某一帧好不好要跑完整段视频观察检测线是否稳定。稳定性比单帧准确性更重要因为视频是连续的如果某一帧偶尔画歪人眼还能接受线条抖动得厉害整个效果就很廉价。评估时重点关注三个指标一是车道线的连续程度有没有频繁断线二是检测线是否贴合真实车道线有没有明显偏移三是帧率是否满足实时要求如果加上画线后处理速度远低于原视频帧率后续若要接实时摄像头会出问题。对于这个项目处理一帧的时间最好控制在30毫秒以内这样能在笔记本上流畅运行。4. 常见问题与调试经验速查表4.1 视频读取、显示与保存问题视频打开失败cap.isOpened()返回False。先确认文件路径是否正确路径中尽量不要有中文。OpenCV的VideoCapture对中文路径支持不好这是一个老问题所以项目目录和文件名最好全用英文。另外检查一下文件是不是真的视频文件有些从网上下载的文件后缀是.mp4实际编码格式特殊OpenCV打不开用格式工厂或FFmpeg转一下编码就好。处理后的视频保存失败。重点检查VideoWriter的编码格式。.avi格式一般用XVID或MJPG编码.mp4格式一般用mp4v编码。如果一直保存失败建一个全是英文路径的输出目录再试。窗口显示画面卡顿。可能是cv2.waitKey()的参数设置不合适。waitKey的参数单位是毫秒表示等待键盘输入的时间。如果原视频帧率是30fps每帧间隔约33毫秒waitKey(30)基本能保持原速播放。如果你的处理逻辑很耗时可以适当调大这个值让显示节奏和实际处理速度匹配。4.2 OpenCV安装与运行报错对照表报错信息原因解决办法ModuleNotFoundError: No module named cv2opencv没有安装或解释器不对确认当前使用的解释器路径再执行python -m pip install opencv-pythonerror: (-215:Assertion failed)图像为空、参数类型不对、图尺寸不一致在调用函数前检查图像是否读取成功打印frame.shape确认尺寸The function/feature is not implemented某些算法模块缺失尝试安装opencv-contrib-python完整扩展包failed to open file文件路径错误或文件被占用检查路径是否含中文关闭可能占用视频文件的播放器4.3 检测效果差时的排查顺序“车道线检测不准”是个很笼统的现象我习惯按流水线从前往后排查。先看灰度图正不正常如果画面过暗或过亮后面的环节全都会出问题。再看边缘图如果边缘图里车道线区域被断成好几截说明Canny阈值太高或模糊窗口太大如果边缘图里到处是细碎小白点说明噪声压制不够或者阈值太低。接着看ROI掩膜后的图确认梯形区域是否正好框住路面如果路面两侧的栏杆还在图里说明ROI顶点太靠外。最后看霍夫变换返回的原始线段如果检测出了很多横向短线说明threshold或minLineLength设置不合适。这样一步步排查基本能定位到问题环节。最忌讳的是“眉毛胡子一把抓”同时调五六个参数结果更乱了。每次只改一个变量跑一遍视频看效果是调试这类图像处理项目最有效的策略。4.4 平台与编码相关的小坑在Windows上开发、在Linux服务器上部署的同学可能会遇到平台差异问题。最典型的是路径分隔符Windows用反斜杠\Linux用正斜杠/建议统一用正斜杠或者用os.path.join拼接路径。另外cv2.imshow在无图形界面的Linux服务器上无法运行要么改用cv2.imwrite逐帧保存结果要么使用matplotlib来显示图像。还有一个容易被忽略的问题是OpenCV的BGR通道顺序。在OpenCV中图像是以BGR格式存储的但很多图像处理库和显示组件默认是RGB。如果你把OpenCV读出来的图像直接给其他库显示颜色会偏蓝偏红需要先执行cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换。有些同学在画线时发现颜色不对也常常是这个问题。5. 进阶扩展从课堂设计到实际应用5.1 用HSV颜色空间增强车道线提取纯灰度加边缘检测的方案在车道线颜色和路面颜色对比较强时效果很好。但如果路面是浅色水泥路、车道线是白色或者有强烈的阴影灰色图的对比度会急剧下降。一个效果明显的改进方案是引入HSV颜色空间专门提取白色和黄色车道线。HSV的三分量中H是色调、S是饱和度、V是明度。白色物体的饱和度很低、明度很高黄色物体的色调集中在30度左右。我们可以设定两个阈值范围分别提取白色和黄色像素再把提取结果和边缘检测结果做融合。这样即使亮度对比度不够只要颜色特征还在车道线依然能被找出来。实际使用中可以用cv2.inRange操作。白色区域一般用lower_white (0, 0, 200)到upper_white (180, 30, 255)黄色区域一般用lower_yellow (15, 70, 120)到upper_yellow (35, 255, 255)。需要注意OpenCV的HSV范围中H是0到180S和V是0到255这和标准的HSV定义H是0到360不一样写阈值时别搞混。5.2 简单车道偏离预警实现思路如果你觉得画线不过瘾可以在这个基础上做一个简单的车道偏离预警功能。思路不复杂左右车道线拟合之后会得到一个交点也就是画面中的消失点。正常情况下消失点应该大致位于画面中轴线上说明车辆在车道中央行驶。如果消失点大幅偏向左边说明车辆偏向车道右侧反过来就是偏向左侧。根据这个偏移量设定一个阈值比如消失点偏离画面中心超过画面宽度的10%时在画面上输出“左偏”或“右偏”的提示。这个功能虽然粗糙但演示效果非常好而且正好用上了拟合环节得到的直线参数没有增加太多额外计算量。5.3 与界面程序、嵌入式设备的集成方向这个项目的代码逻辑可以独立运行但如果想做一个像样的课程设计展示可以考虑给它加一个简单的图形界面。只用OpenCV的cv2.imshow控制面板看起来比较简陋用PyQt或PySide做一个界面左侧放原视频画面右侧放检测结果再放几个参数滑块实时调整Canny阈值演示效果会专业很多。集成思路也不复杂把process_frame函数作为核心处理单元界面负责读取视频帧、调用处理函数、刷新显示。参数滑块和配置组件绑定每次滑块值变化时更新配置对象里的对应值。如果想往嵌入式方向扩展可以考虑在树莓派或Jetson Nano上跑这套方案。由于传统图像处理的计算量很小在树莓派4B上用OpenCV处理720P视频也能达到接近实时的帧率非常适合做低成本的车载实验平台。上板子之前要注意把分辨率调低一些、ROI区域适当缩小减少处理面积帧率会有明显提升。这个项目看起来就是“调库”但真正动手跑一遍就会发现在灰度图、边缘图、掩膜图、霍夫线段一层层中间结果之间来回对比调试的时候你对图像处理的理解才是真正开始建立的时候。我自己的体会是与其把代码写完就丢一边不如花点时间把每个环节的中间结果都保存下来观察它们之间的关系这样就算以后遇到更复杂的视觉任务排查问题时的思路也会清晰很多。本文还有配套的精品资源点击获取