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
- 读取图像并选择感兴趣的区域ROI进行下一步处理
- 对ROI区域进行预处理包括灰度化,膨胀和腐蚀
- 对预处理后的图像进行边缘检测(Canny算子)
- 对边缘检测后度图像进行概率霍夫变换得到多条直线
- 对直线进行分组,根据斜率分成左线和右线
- 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