车道线检测入门案例

最新推荐文章于 2022-10-15 20:11:56 发布

南桥几经秋

最新推荐文章于 2022-10-15 20:11:56 发布

阅读量765

点赞数 1

分类专栏：计算机视觉文章标签：边缘检测计算机视觉 opencv

本文链接：https://blog.csdn.net/qq_37887764/article/details/109931767

版权

本文介绍了车道线检测的基础方法，通过Canny边缘检测算法去除噪声并找到潜在边界，再利用霍夫变换获取所有线段，接着进行离群值过滤和最小二乘拟合，实现车道线的精确识别。

摘要由CSDN通过智能技术生成

在这里插入图片描述

1、Canny边缘检测

Canny边缘检测算法可以分为以下5个步骤：

应用高斯滤波来平滑图像，目的是去除噪声
找寻图像的强度梯度（intensity gradients）
应用非最大抑制（non-maximum suppression）技术来消除边误检（本来不是但检测出来是）
应用双阈值的方法来决定可能的（潜在的）边界
利用滞后技术来跟踪边界

通过图像像素变化的梯度来确定这个点是否是边缘
在这里插入图片描述

双阈值
一般的边缘检测算法用一个阀值来滤除噪声或颜色变化引起的小的梯度值，而保留大的梯度值。Canny算法应用双阀值，即一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。
如果弱边缘点与强边缘线相连，则我们认为该点是边缘，如C点，否则不是边缘，如B点。
在这里插入图片描述

2、去除非车道线的边缘信息（过滤无关信息）

在这里插入图片描述

3、霍夫变换（获取所有线段）

把圆或直线从直角坐标系映射到极坐标系，通过极坐标寻找直线
在这里插入图片描述

4、离群值过滤

5、最小二乘拟合

在这里插入图片描述

代码

import cv2
import numpy as np

# 得到灰度图
img = cv2.imread("images/2.png", cv2.IMREAD_GRAYSCALE)
# Canny边缘检测
edge_img = cv2.Canny(img, 50, 100)
# ROI_mask感兴趣区域检测
mask = np.zeros_like(edge_img)
roi_mask = cv2.fillPoly(mask, np.array([[[439, 290], [588, 283], [130, 510], [