实战：使用 OpenCV 的自动驾驶汽车车道检测（附代码）

听说今天是七夕节????？老粉丝一定知道我一向是很宠粉的，七夕节也要给大家一个惊喜。答应我，看完这篇文章，文末有惊喜等着你～

一、边缘检测

我们将使用 Canny 进行边缘检测。如果你不确定这是什么，请查阅相关资料，对于后文的阅读会有帮助。

def canyEdgeDetector(image):
    edged = cv2.Canny(image, 50, 150)
    return edged

二、定义ROI

驾驶时，为了让汽车保持在车道上，只关注当前道路的下一个100米。此外，也不关心分隔线另一侧的道路。这就是我们定义的区域。我们隐藏图像中不必要的细节，只显示有助于我们找到车道的区域。

def getROI(image):
    height = image.shape[0]
    width = image.shape[1]
    # Defining Triangular ROI: The values will change as per your camera mounts
    triangle = np.array([[(100, height), (width, height), (width-500, int(height/1.9))]])
    # creating black image same as that of input image
    black_image = np.zeros_like(image)
    # Put the Triangular shape on top of our Black image to create a mask
    mask = cv2.fillPoly(black_image, triangle, 255)
    # applying mask on original image
    masked_image = cv2.bitwise_and(image, mask)
    return masked_image

1.我们已经定义了三角形 ROI，其坐标将根据你们在汽车上安装摄像头的位置而变化（尽量只使用图像中实际有助于车道检测的那部分）。

2.我们创建了一个与原始图像形状相同的黑色图像：

3.创建一个蒙版：然后我们使用cv2.fillPoly()将我们的三角形（带有白色线条）放在我们的黑色图像之上以创建一个蒙版。

4. 在我们的原始图像上应用蒙版以获得只有我们的 ROI 的裁剪图像。

此步骤的输出：

三、获取线

下一步是通过 ROI 以获取图像中的所有直线。cv2.HoughLinesP（）可以实现这一目标，此函数返回它可以在输入图像中找到的所有直线的列表，每条线由 [x1, y1, x2, y2] 表示。

def getLines(image):
    lines = cv2.HoughLinesP(image, 0.3, np.pi/180, 100, np.array([]), minLineLength=70, maxLineGap=20)
    return lines

cv2.HoughLinesP() 的参数必须根据要求进行调整（尝试更改和调试最适合方法）。但我们认为上面的方法在大多数情况下都应该有效，此步骤的输出如下所示：

四、绘制线条

以下实用程序函数获取图像和线条列表，并在图像上绘制线条。（此步骤不接受来自 Step3 的任何输入。相反，这只是一个将从 Step5 调用的实用步骤，因此首先查看 Step5，并在需要时访问此步骤）。

def displayLines(image, lines):
    if lines is not None:
        for line in lines:
            x1, y1, x2, y2 = line.reshape(4) #converting to 1d array
            cv2.line(image, (x1, y1), (x2, y2), (255, 0, 0), 10)
    return image

我们定义了另一个效用函数来从它的参数（斜率和截距）中获取线坐标。需要注意的是：一条线由y=mx+c表示，其中 m 是斜率，c 是截距。

def getLineCoordinatesFromParameters(image, line_parameters):
    slope = line_parameters[0]
    intercept = line_parameters[1]
    y1 = image.shape[0]  # since line will always start from bottom of image
    y2 = int(y1 * (3.4 / 5))  # some random point at 3/5
    x1 = int((y1 - intercept) / slope)
    x2 = int((y2 - intercept) / slope)
    return np.array([x1, y1, x2, y2])

五、获取平滑的线条

一旦我们从步骤 3 中获得了线条，在这一步中，我们将这些线条分成 2 组（左和右）。如果你们注意到Step3的输出图像，则此步骤会将Line1和Line 2放入左侧组，将Line3放入右侧组。

分组后，我们找到该组的平均斜率（m）和截距（c），并尝试通过调用 getLineCoordinatesFromParameters() 并传递平均值 m 和平均值 c 为每个组创建一条线。

以下是完成所有这些工作的函数：

def getSmoothLines(image, lines):
    left_fit = []  # will hold m,c parameters for left side lines
    right_fit = []  # will hold m,c parameters for right side lines


    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)


    # now we have got m,c parameters for left and right line, we need to know x1,y1 x2,y2 parameters
    left_line = getLineCoordinatesFromParameters(image, left_fit_average)
    right_line = getLineCoordinatesFromParameters(image, right_fit_average)
    return np.array([left_line, right_line])

这是线条分组后图像的外观：

六、主要代码

一旦我们准备好了单独的函数，我们只需要在我们的主代码中调用它们，你就会在你的图像中检测到车道。

image = cv2.imread("3.jpg") #Load Image


edged_image = canyEdgeDetector(image)   # Step 1
roi_image = getROI(edged_image)         # Step 2


lines = getLines(roi_image)             # Step 3


smooth_lines = getSmoothLines(image, lines)    # Step 5
image_with_smooth_lines = displayLines(image, smooth_lines) # Step 4


cv2.imshow("Output", image_with_smooth_lines)
cv2.waitKey(0)

输出将如下所示：

Github代码链接：

https://github.com/pdhruv93/computer-vision/tree/main/lane-detection-self-driving

????七夕福利：【Python计算机视觉与深度学习实战】免费包邮送！

《Python计算机视觉与深度学习实战》立足实践，从机器学习的基础技能出发，深入浅出地介绍了如何使用 Python 进行基于深度学习的计算机视觉项目开发。开篇介绍了基于传统机器学习及图像处理方法的计算机视觉技术；然后重点就图像分类、目标检测、图像分割、图像搜索、图像压缩及文本识别等常见的计算机视觉项目做了理论结合实践的讲解；最后探索了深度学习项目落地时会用到的量化、剪枝等技术，并提供了模型服务端部署案例。
《Python计算机视觉与深度学习实战》适合有一定的Python 编程基础，初学深度学习的读者阅读。

具体的参与方式呢，我已经想好了，大家可以在评论区留言一下自己与另一位先生/小姐的爱情故事，或者呢在评论区留下对未来的那个他/她的期待与对爱情的看法！

我们将从评论区中选出5位最用心的读者，来赠送本次图书～

最后呢，推荐大家先加一下我们的运营小姐姐Beyonce，如果中奖了私信她发送收货地址就可以了，当然了如果你有什么想要的资料也可以问一下她有没有哦，有的话都是会免费送给你的～