https://blog.csdn.net/u010712012/article/details/87477554
之前一小段时间分析的三大块，车辆检测，车道线检测，车辆压线判别。
主要分析了一下车道线检测的优化问题，经过图像处理，canny边缘检测，Hough变换检测出的图如第二幅
因为车道是具有双边缘的，所以根据之前的车道线检测算法检测出来的直线会有不止一条，如果能够用一种算法把多条直线能够合并成一条车道线，能够对后面的违章压线变道判决减少很多干扰。
根据Hough变换的原理 https://blog.csdn.net/u010712012/article/details/86104053 ，原图坐标的直线在k，b空间就是点，把这些点反映到下面这个坐标
可以看出，一条车道线的多条检测出来的直线的斜率和截距差距一般不是很大，所以是否能够把这些代表直线的点聚类为一点，那么聚类结果的各点，就代表具体的那根车道线。
https://blog.csdn.net/u010712012/article/details/87952752
这篇文章描述了模糊C均值聚类算法，这个聚类算法通过计算隶属度矩阵U和类别中心C，得到最终的聚类中心，从而可以在这个场景下使用。
只需要把我们想要最终聚类出的车道线的条数明确，确定迭代次数，就能得到结果。
但是这里有一个明显的问题就是，FCM算法需要手动设置需要聚类出来的类数，假设一条道路有6条车道线，那么K=6，不同的场景车道线数量不同。这让人想到了无监督学习中的Kmeans算法，他的缺点也是需要人工先确定K值，且该值和真实的数据分布未必吻合，也易受到噪声点的影响，容易陷入局部最值，并不能有力地求到全局最优。所以个人感觉只适合于道路清晰的高速公路上，一旦有多辆车在内做干扰，或者路面老旧导致车道线不清晰，FCM并不能算是一个非常鲁棒的算法。
但是不可否认的是，FCM聚类算法使用的边缘去重和结构化过滤方法还是很有借鉴意义，可以起到稳固车道线的作用，从而对后续的车辆压线判别模型奠定了基础。
而且我们得到的（k，b）坐标轴，可以看出，在原图像坐标中的斜率为正的直线，都集中在右下角的点，很密集。而斜率负的很大的直线则分散在左上角而且距离比较大，按照聚类（物以类聚）的思想，应该是离得越远的点越没可能是一类。
可以考虑把斜率的，这里的角度在斜率比较小的时候差距不大，但是有可能在斜率很大的时候，多条线之间的角度差距也不大
因为每条线的theta都有具体的值,每一条线的相减，如果角度差距超过设定的一个阈值的话，就代表不是一类，如果角度小于一类的，就看成是一类。就要看怎么和聚类的算法进行融合了
然后思考一下能不能把k，b坐标轴转变成极坐标空间，然后看FCM聚类算法是否能够解决上述的角度截距的问题。
得到聚类结果的斜率和截距(这里还是k,b)，可以根据两点坐标把各车道线绘制出来如下：
这里绘图车道线的结果是贯穿整个图片的，最后融合起来。
这里效果还行吧。。。
3.
4.
后面如果转成极坐标空间更佳，会换过来。