基于 YOLOv8 和 OpenCV 的车道与车辆检测系统

QQ_1309399183

于 2025-04-19 11:49:21 发布

阅读量374

点赞数 4

分类专栏：计算机视觉实战项目集锦文章标签： YOLO opencv 人工智能车道线检测 yolov8

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/147348473

版权

计算机视觉实战项目集锦专栏收录该内容

586 篇文章

订阅专栏

基于 YOLOv8 和 OpenCV 的车道与车辆检测系统

概述

本项目演示了如何使用 YOLOv8（You Only Look Once）和 OpenCV 构建一个车道与车辆检测系统。该系统能够识别道路车道并检测车辆，同时估算车辆与摄像头的距离。它结合了计算机视觉技术和基于深度学习的目标检测，以提供对道路环境的全面理解。
在这里插入图片描述

主要功能

车道检测：利用边缘检测和霍夫线变换（Hough Line Transformation）识别道路车道。
车辆检测：使用 YOLOv8 检测车辆，并在其周围绘制边界框。
距离估算：基于边界框大小，计算检测到的车辆与摄像头的距离。

安装步骤

安装依赖项：

pip install opencv-python-headless numpy ultralytics

运行 video.py 文件。

工作原理

1. 车道检测流程

车道检测过程包括以下步骤：

步骤 1：设定感兴趣区域（ROI）

仅处理图像的下半部分（通常包含车道）。

def region_of_interest(img, vertices):
    mask = np.zeros_like(img)
    match_mask_color = 255
    cv2.fillPoly(mask, vertices, match_mask_color)
    masked_image = cv2.bitwise_and(img, mask)
    return masked_image

步骤 2：使用 Canny 边缘检测

将图像转换为灰度图，并应用 Canny 边缘检测以突出边缘。

gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
cannyed_image = cv2.Canny(gray_image, 100, 200)

步骤 3：霍夫线变换（Hough Line Transformation）

应用霍夫线变换检测代表车道的线段。

lines = cv2.HoughLinesP(
    cropped_image,
    rho=6,
    theta=np.pi / 60,
    threshold=160,
    lines=np.array([]),
    minLineLength=40,
    maxLineGap=25
)

2. 使用 YOLOv8 进行车辆检测

步骤 1：加载 YOLOv8 模型

使用预训练的 YOLOv8 模型检测每帧中的车辆。

from ultralytics import YOLO
model = YOLO('weights/yolov8n.pt')

步骤 2：绘制边界框

为每辆检测到的车辆绘制边界框，并显示类别（car）和置信度分数。

for box in boxes:
    x1, y1, x2, y2 = map(int, box.xyxy[0])
    conf = box.conf[0]
    if model.names[cls] == 'car' and conf >= 0.5:
        label = f'{model.names[cls]} {conf:.2f}'
        cv2.rectangle(lane_frame, (x1, y1), (x2, y2), (0, 255, 255), 2)
        cv2.putText(lane_frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 255), 2)

距离估算

基于边界框大小估算车辆与摄像头的距离。

def estimate_distance(bbox_width, bbox_height):
    focal_length = 1000  # 示例焦距
    known_width = 2.0  # 车辆的近似宽度（单位：米）
    distance = (known_width * focal_length) / bbox_width
    return distance

3. 视频处理流程

将车道检测、车辆检测和距离估算整合到实时视频处理流程中。

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    lane_frame = pipeline(resized_frame)
    results = model(resized_frame)
    for result in results:
        # 绘制边界框并估算距离
    cv2.imshow('Lane and Car Detection', lane_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break