基于Opencv和Python的车道线检测系统（带UI界面)自动驾驶中-车道线检测——主要用到的是openCV, numpy, matplotlib库

基于Opencv和Python的车道线检测系统（带UI界面)

在自动驾驶中，让汽车保持在车道线内是非常重要的，所以这次我们来说说车道线的检测。我们主要用到的是openCV, numpy, matplotlib几个库。主要包括下面这么几个步骤：
1. 图像加载；
2. 图像预处理：图片灰度化，高斯滤波；
3. Cany边缘检测；
4. 感兴趣区域检测；
5. 霍夫直线检测 ；
6. .直线拟合；
7. 车道线叠加；
8. 图片和视频测试；
9. 可视化界面pyqt5

项目背景

车道线检测对于自动驾驶车辆至关重要，因为它能够帮助车辆识别当前行驶的车道，并据此做出转向或其他驾驶决策。传统的手动驾驶中，驾驶员通过视觉来判断车道线的位置，而在自动驾驶系统中，这一功能则由计算机视觉技术实现。

项目目标

本项目旨在开发一个基于OpenCV和Python的车道线检测系统，并通过PyQt5实现一个用户界面，使得非专业人员也能直观地看到车道线检测的结果，并且能够轻松地测试和调试系统。

关键技术

1. OpenCV：用于图像处理的核心库。
2. NumPy：用于数值计算。
3. Matplotlib：用于绘制图像和结果。
4. PyQt5：用于构建图形用户界面。

实现步骤

1. 图像加载：从文件或视频流中读取图像。
2. 图像预处理：将彩色图像转化为灰度图，并应用高斯滤波减少噪声。
3. Canny边缘检测：使用Canny算法检测图像中的边缘。
4. 感兴趣区域检测：通过对图像的特定区域进行掩膜处理，只保留感兴趣的区域。
5. 霍夫直线检测：在边缘图像中找到直线，并提取车道线。
6. 直线拟合：对检测到的直线进行拟合，得到车道线的具体参数。
7. 车道线叠加：将检测到的车道线绘制到原图上。
8. 图片和视频测试：测试系统在静态图片和动态视频上的表现。
9. 可视化界面：使用PyQt5构建用户界面，让用户能够交互式地操作和查看结果。

关键代码示例

下面是一个简化的车道线检测系统的Python代码示例：

1import cv2
2import numpy as np
3import matplotlib.pyplot as plt
4
5def load_image(image_path):
6    return cv2.imread(image_path)
7
8def grayscale(image):
9    return cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
10
11def gaussian_blur(image, kernel_size=5):
12    return cv2.GaussianBlur(image, (kernel_size, kernel_size), 0)
13
14def canny(image, low_threshold=50, high_threshold=150):
15    return cv2.Canny(image, low_threshold, high_threshold)
16
17def region_of_interest(image, vertices):
18    mask = np.zeros_like(image)
19    match_mask_color = 255
20    cv2.fillPoly(mask, vertices, match_mask_color)
21    masked_image = cv2.bitwise_and(image, mask)
22    return masked_image
23
24def draw_lines(image, lines, color=[255, 0, 0], thickness=2):
25    for line in lines:
26        for x1, y1, x2, y2 in line:
27            cv2.line(image, (x1, y1), (x2, y2), color, thickness)
28
29def hough_lines(image, rho, theta, threshold, min_line_len, max_line_gap):
30    lines = cv2.HoughLinesP(image, rho, theta, threshold, np.array([]), minLineLength=min_line_len, maxLineGap=max_line_gap)
31    return lines
32
33def process_image(image):
34    gray = grayscale(image)
35    blur_gray = gaussian_blur(gray)
36    edges = canny(blur_gray)
37    imshape = image.shape
38    vertices = np.array([[(0,imshape[0]),(450, 350), (500, 350), (imshape[1],imshape[0])]], dtype=np.int32)
39    masked_edges = region_of_interest(edges, vertices)
40    lines = hough_lines(masked_edges, 1, np.pi/180, 20, 10, 10)
41    line_image = np.copy(image)*0
42    draw_lines(line_image, lines)
43    result = cv2.addWeighted(image, 0.8, line_image, 1, 0)
44    return result
45
46# 加载图像
47image = load_image('lane_image.jpg')
48result = process_image(image)
49
50# 显示结果
51plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))
52plt.show()

PyQt5 GUI 界面设计

使用PyQt5构建GUI界面可以让用户更方便地与系统交互。下面是一个简单的GUI示例，用于加载图像、处理图像并显示结果：

python

深色版本

1import sys
2from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QLabel, QVBoxLayout, QWidget, QFileDialog
3from PyQt5.QtGui import QPixmap
4
5class LaneDetectionApp(QMainWindow):
6    def __init__(self):
7        super().__init__()
8        self.initUI()
9
10    def initUI(self):
11        self.setWindowTitle('Lane Detection System')
12        self.setGeometry(100, 100, 800, 600)
13
14        central_widget = QWidget(self)
15        self.setCentralWidget(central_widget)
16
17        layout = QVBoxLayout()
18        central_widget.setLayout(layout)
19
20        self.image_label = QLabel(self)
21        layout.addWidget(self.image_label)
22
23        button = QPushButton('Load Image', self)
24        button.clicked.connect(self.loadImage)
25        layout.addWidget(button)
26
27    def loadImage(self):
28        options = QFileDialog.Options()
29        file_name, _ = QFileDialog.getOpenFileName(self, "QFileDialog.getOpenFileName()", "", "Images (*.png *.jpg)", options=options)
30        if file_name:
31            pixmap = QPixmap(file_name)
32            self.image_label.setPixmap(pixmap)
33            # 在这里调用process_image函数处理图像，并更新显示
34            processed_image = process_image(cv2.imread(file_name))
35            processed_pixmap = QPixmap.fromImage(cv2.cvtColor(processed_image, cv2.COLOR_BGR2RGB))
36            self.image_label.setPixmap(processed_pixmap)
37
38if __name__ == '__main__':
39    app = QApplication(sys.argv)
40    ex = LaneDetectionApp()
41    ex.show()
42    sys.exit(app.exec_())

结论

通过上述步骤，你可以构建一个基本的车道线检测系统，并通过PyQt5提供一个友好的用户界面。这样的系统不仅有助于自动驾驶技术的研发，还可以作为教学工具，帮助学生理解计算机视觉的基本概念和技术。通过不断优化算法和界面设计，可以进一步提高系统的准确性和用户体验。