OpenCV车道线检测，通过sobel，histogram，直线拟合技术等

 

本项目旨在开发一个实时车道线检测系统，该系统能够准确识别道路图像中的车道线，并根据这些信息为驾驶员提供视觉反馈或直接用于自动驾驶系统的路径规划。

技术细节

1. 预处理

• 灰度转换：将输入的彩色图像转换成灰度图像，以简化后续处理步骤。
• 高斯模糊：应用高斯模糊滤波器来减少图像噪声，使边缘检测更加准确。

2. 边缘检测

• Sobel算子：使用Sobel算子来计算图像中像素强度梯度的绝对值。这有助于确定图像中潜在的边缘位置。
• 阈值处理：对Sobel算子的结果应用阈值处理，得到清晰的边缘图像。

3. 区域选择

• 兴趣区域（ROI）：定义一个感兴趣区域（ROI），通常为一个梯形区域，覆盖车辆前方的道路部分。这样可以减少计算量并专注于可能包含车道线的区域。

4. 直方图分析

• 水平直方图：计算兴趣区域内每个垂直列的白色像素数量，这有助于估计车道线的大致位置。
• 峰值检测：找到直方图中的峰值，这些峰值对应于车道线的起始点。

5. 直线拟合

• 霍夫变换：使用霍夫变换检测车道线。霍夫变换可以将图像空间中的曲线转换为参数空间中的点，从而更容易地检测出直线。
• 直线分类：根据直线的斜率和截距将检测到的直线分为左右车道线。
• 多项式拟合：使用最小二乘法或其他拟合方法来拟合车道线，得到车道线的数学表达式。

6. 可视化结果

• 将检测到的车道线叠加在原始图像上，以便直观地展示检测结果。

实施步骤

1. 导入必要的库：加载OpenCV和其他需要的Python库。
2. 读取视频流：从摄像头或预录视频中获取图像帧。
3. 应用上述算法步骤：逐帧处理图像数据。
4. 显示结果：实时显示处理后的图像，包括检测到的车道线。
5. 性能评估：根据真实车道线与检测结果之间的偏差来评估系统的准确性。

结论

此项目利用了多种计算机视觉技术来实现高效准确的车道线检测。通过使用Sobel算子、直方图分析和直线拟合等方法，系统能够在各种光照和天气条件下可靠地工作，为安全驾驶提供支持。

首先确保你已经安装了numpy和opencv-python这两个库。你可以使用以下命令安装它们：

pip install numpy opencv-python

 接下来是车道线检测的代码示例：

import numpy as np
import cv2

def canny(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    canny = cv2.Canny(blur, 50, 150)
    return canny

def region_of_interest(image):
    height = image.shape[0]
    polygons = np.array([
        [(200, height), (1100, height), (550, 250)]
    ])
    mask = np.zeros_like(image)
    cv2.fillPoly(mask, polygons, 255)
    masked_image = cv2.bitwise_and(image, mask)
    return masked_image

def display_lines(image, lines):
    line_image = np.zeros_like(image)
    if lines is not None:
        for line in lines:
            x1, y1, x2, y2 = line.reshape(4)
            cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 10)
    return line_image

def average_slope_intercept(image, lines):
    left_fit = []
    right_fit = []
    for line in lines:
        x1, y1, x2, y2 = line.reshape(4)
        parameters = np.polyfit((x1, x2), (y1, y2), 1)
        slope = parameters[0]
        intercept = parameters[1]
        if slope < 0:
            left_fit.append((slope, intercept))
        else:
            right_fit.append((slope, intercept))

    left_fit_average = np.average(left_fit, axis=0)
    right_fit_average = np.average(right_fit, axis=0)
    left_line = make_coordinates(image, left_fit_average)
    right_line = make_coordinates(image, right_fit_average)
    return np.array([left_line, right_line])

def make_coordinates(image, line_parameters):
    slope, intercept = line_parameters
    y1 = image.shape[0]
    y2 = int(y1 * (3/5))  # 设置为图像高度的3/5处
    x1 = int((y1 - intercept) / slope)
    x2 = int((y2 - intercept) / slope)
    return np.array([x1, y1, x2, y2])

# 主程序
cap = cv2.VideoCapture('test_video.mp4')  # 替换为你的视频文件名

while(cap.isOpened()):
    _, frame = cap.read()
    canny_image = canny(frame)
    cropped_image = region_of_interest(canny_image)
    
    lines = cv2.HoughLinesP(cropped_image, 2, np.pi/180, 100, np.array([]), minLineLength=40, maxLineGap=5)
    
    averaged_lines = average_slope_intercept(frame, lines)
    line_image = display_lines(frame, averaged_lines)
    
    combo_image = cv2.addWeighted(frame, 0.8, line_image, 1, 1)
    cv2.imshow("Result", combo_image)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

这段代码的主要功能如下：

1. canny() 函数负责进行灰度转换、高斯模糊和边缘检测。
2. region_of_interest() 函数定义了一个多边形的兴趣区域。
3. display_lines() 函数用来绘制检测到的直线。
4. average_slope_intercept() 函数计算平均斜率和截距，然后拟合车道线。
5. make_coordinates() 函数根据斜率和截距计算出车道线的端点坐标。

请确保你有一个名为 test_video.mp4 的测试视频文件放在同一目录下，或者替换为实际的视频文件路径。运行这段代码后，你将看到带有车道线的视频输出。