[机器视觉] 基于opencv-python的单张图片中车道识别实现

项目背景

本项目是笔者希望基于驾驶模拟类游戏 欧洲卡车模拟2(ETS2) 实现驾驶辅助系统的设想的一个基础项目 车道识别

关于《欧洲卡车模拟2》

《欧洲卡车模拟2》是一款模拟经营类游戏，在游戏中玩家要驾驶卡车完成货物运输任务，并可以购买更多的车库、卡车、挂车，从司机介绍所雇佣司机来为你工作，组建自己的物流公司。游戏中玩家可以改装自己的卡车、挂车的几乎每一个部件，从驾驶室到底盘到各种配件和内饰。穿越欧洲大陆，组建自己的运输帝国。

项目基本思路

对于车道线检测，首先需要使程序能够检测出单张图片中的车道线，以此为依据进一步拓展至视频中的车道线检测，并最终推至实时画面中的车道线检测。
对于单张图片的车道线识别，我的思路如下：
我们默认摄像机在车内位置是不变的，因此路面在画面中的位置大致是不变的，为了降低噪声影响，我们可以人为选取路面位置作为兴趣区域，并对兴趣区域进行边缘检测与直线识别操作，并最终输出处理结果。

原图

项目步骤

• 图像灰度处理
• 高斯模糊降噪
• ROI兴趣区域掩膜
• canny边缘检测
• 霍夫直线检测
• 车道线拟合
• 图像结果输出

图像灰度处理

将原有的RGB三维色彩信息处理为一维的灰度值

gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

灰度处理结果

高斯滤波

降低图片噪声值，便于边缘检测

blur_ksize = 7 
blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 1)

滤波后结果

canny边缘检测

对图片进行边缘检测，便于下一步的霍夫直线检测

canny_lthreshold = 50          
canny_hthreshold = 80         
edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold)

canny边缘检测结果

ROI兴趣区域掩膜处理

通过人为处理去除掉大部分的噪声值，便于直线检测

def roi_mask(img, np.array([[(0, 660), (0, img.shape[1]),(img.shape[1], img.shape[0]), (img.shape[1]