【辅助驾驶】Python OpenCV实现车道线检测

一、功能

对车辆前方的车道线进行检测，效果如图：

 

 

二、算法

2.1、基于Hough变换的车道线检测

1）假设

在工程上（实际使用中或者demo中） 存在一些约束：前方存在左右两个车道线，并与当前正前方存在一定角度

2）主要思路

1. 读取图像并选择感兴趣的区域ROI进行下一步处理 
2. 对ROI区域进行预处理包括灰度化，膨胀和腐蚀 
3. 对预处理后的图像进行边缘检测（Canny算子） 
4. 对边缘检测后度图像进行概率霍夫变换得到多条直线 
5. 对直线进行分组，根据斜率分成左线和右线 
6. 选择左右线各一条，之后scale直线是其延伸至边界

3）效果

参考（附代码）：Python初步实现车道线检测

2.2、基于透视变换

1）核心算法

利用透视变换获得俯视图（鸟瞰图），使用滑动窗多项式拟合(sliding window polynomial fitting)来获取车道边界。

2）实现步骤

• 使用提供的一组棋盘格图片计算相机校正矩阵(camera calibration matrix)和失真系数(distortion coefficients).
• 校正图片
• 使用梯度阈值(gradient threshold)，颜色阈值(color threshold)等处理图片得到清晰捕捉车道线的二进制图(binary image).
• 使用透视变换(perspective transform)得到二进制图(binary image)的鸟瞰图(birds-eye view).
• 检测属于车道线的像素并用它来测出车道边界.
• 计算车道曲率及车辆相对车道中央的位置.
• 处理图片展示车道区域，及车道的曲率和车辆位置.

3）效果

4）代码

Github：https://github.com/linghugoogle/CarND-Advanced-Lane-Lines

2.3、机器学习

2.3.1、VPGNet

Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition，他们自己建立了一个数据集。

1）效果

2）网络结构

3）代码

Github：https://github.com/linghugoogle/VPGNet

2.3.2、deep neural network model

Implemention of lanenet model for real time lane detection using deep neural network model，使用图森的数据集。

1）效果

2）网络结构

3）代码

Github：https://github.com/linghugoogle/lanenet-lane-detection