【Lane Detection】车道线检测的简单实现 (OpenCV)

最新推荐文章于 2024-08-08 07:19:56 发布

Roger-Liu

最新推荐文章于 2024-08-08 07:19:56 发布

阅读量1.1w

点赞数 25

分类专栏： Computer vision

本文链接：https://blog.csdn.net/qq_43243022/article/details/89158972

版权

本文通过OpenCV实现车道线检测，详细介绍了从图片灰度处理、Canny边缘检测、霍夫变换到直线拟合的步骤。文章还讨论了方法的改进，包括使用HSV空间提取黄色和白色像素，应用高斯模糊减少噪声，调整ROI形状为梯形，以及改进直线拟合策略以提高检测稳定性。

摘要由CSDN通过智能技术生成

7 Pipeline搭建 & Video车道检测

8 方法改进

8.1 分别提取yellow pixels(HSV) & white pixels

8.2 高斯模糊（减小噪声）

8.3 ROI 由三角形，改进为上窄下宽的梯形

8.4 直线拟合：采用平均斜率和平均点来确定近似直线

8.5 Pipeline and results

利用OpenCV工具库，采用一些图像处理方法，实现车道线的简单检测。

用到的cv库函数：

cv2.fillPoly() for regions selection
cv2.line() to draw lines on an image given endpoints
cv2.addWeighted() to coadd / overlay two images
cv2.cvtColor() to grayscale or change color
cv2.bitwise_and() to apply a mask to an image

思路：

Grayscale将图片灰度化（方便后续的边缘检测）
Canny Edge Detection边缘检测（Canny 边缘检测，检测出边缘像素点）
Hough Transform 霍夫变换（检测边缘像素点的可能直线）
Group Left and Right Lines 根据直线斜率将霍夫变换检测出的直线分组：left or right
Fit and Draw 将左右两组的线分别拟合为一条线，并设定 y_bottom 和y_top，根据拟合方程分别求出left和right的 x_bottom和x_top，完成检测，左线：（left_x_bottom ,y_bottom,left_x_top,y_top），右线：（right_x_bottom ,y_bottom,right_x_top,y_top）

1 导入工具库，查看图片

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
import cv2
# reading in an image
image = mpimg.imread('whiteCarLaneSwitch.jpg')
# printing out some stats and plotting the image
print('This image is:', type(image), 'with dimensions:', image.shape)
plt.imshow(image)
plt.show()

2 图片灰度处理

读入的图像是RGB格式，channel=3，后续进行边缘检测时只关注color的强度变化，对于color是什么并不会影响检测结果。所以先将图像灰度化，作为后续边缘检测的预处理。

灰度化的结果是只有一个通道的图像，但是如果要查看灰度图片，需要 plt.imshow(gray_img,cmap='gray')。

def grayscale(img):
        """
        将图像灰度化，作为后续边缘检测的预处理
        """
        return cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
gray_img=grayscale(image)
plt.imshow(gray_img)

3 Canny边缘检测

边缘检测的目的，是检测出最类似边缘的像素点，其结果是一些pixels。这些pixels的特点是，像素值变化大，也就是梯度较大。Canny边缘检测基于x y方向的像素梯度来实现检测。

cv2.Canny(img,low_threshold,high_threshold):

大于 high_threshold: edge；
小于 low_threshold: not edge；
中间值（low_threshold， high_threshold）：若与edge相连，则认为是edge,不相连则 not edge

def canny(img,low_threshold=100,high_threshold=200):
        """
        input是经过灰度处理的灰度图像，不关注颜色，只关注颜色强度
        边缘检测，原理：计算颜色值的梯度和方向，找到梯度变化较大的像素
        >high_threshold: edge
        <low_threshold:not edge
        中间值：若与edge相连，则认为是edge,不相连则not edge
        """
        return cv2.Canny(img,low_threshold,high_threshold)
canny_img=canny(gray_img)
plt.imshow(canny_img)

4 划定ROI

根据行车记录仪图像特点，我们将目标区域缩小为一个三角形（底边在bottom上，顶点大约在图像中心位置），划定该区域为ROI（Region of Interests），将其他区域里的目标进行遮挡（mask 掩膜操作）。

def region_of_interest(img):
        """
        分割出ROI，并填充，再对图像掩膜处理，将其他object遮挡
        """
        #draw the polygon with three vertices
        height=img.shape[0]
        width=img.shape[1]
        region_of_interest_vertices = [
        (0, height),
        (width / 2, height / 2),
        (width, height)]
        # Define a blank matrix that matches the image height/width.
        mask = np.zeros_like(img)
        # Retrieve the number of color channels of the image.
        #channel_count = img.shape[2]
        # Create a match color with the same color channel counts.
        #match_mask_color = (255,) * channel_count #彩色图像时的color
        match_mask_color = 255
        # Fill inside the polygon
        #cv2.fillPoly(mask, np.array([region_of_interest_vertices],np.int32)，match_mask_color)#多边形填充
        cv2.fillPoly(mask, np.array([region_of_interest_vertices],np.int32), match_mask_color)
        #按位与操作，对图片进行mask淹膜操作，ROI区域正常显示，其他区域置零
        masked_image = cv2.bitwise_and(img, mask) 
        return masked_image
ROI_img=region_of_interest(canny_img)
plt.imshow(ROI_img)

5 霍夫变换，直线检测

Canny 边缘检测结果，只是一些类似边缘的pixels，利用霍夫变换求出其中可能存在的直线。霍夫变换的原理：将该点映射到霍夫空间（r θ坐标系），该空间的每条线都代表过图像空间中一点的所有直线集合，求空间里线与线的交点，即为图像空间的过某几个点的直线。霍夫变换的结果是多条直线的坐标[ [x1,y1,x2,y2], [x x y y]...]

可以看到，霍夫变换的结果中线可能是不连续的，是由多条线组成的。

def hough_lines(img,rho=6,theta=np.pi/180,threshold=160,
                    min_line_len=40,max_line_gap=25):
        """
        将canny边缘检测后的像素点连接成线，并调用划线函数，返回画线的图片
        hough transform原理：转换到 hough space,r,θ极坐标，正弦曲线，
        每条线代表个image space中过一点的所有线，
        lines的交点代表共线，找到交点再返回到image space空间
        lines:[[x1,y1,x2,y2],[x x y y]...]
        """
        lines=cv2.HoughLinesP(img,rho,theta,threshold, np.array([]), 
                              minLineLength=min_line_len, maxLineGap=max_line_gap)
        return lines
    
def draw_lines(img,lines,color=[255,0,0],thickness=3):
        """
        生成一个zeros图划线，并与原图混合
        """
        if lines is None:
            return
        img=np.copy(img)
        #生成待划线的图,zeros，addweighted混合的时候，0值不会显示
        img_channels=img.shape[2]
        line_img=np.zeros((img.shape[0],img.shape[1],img_channels),dtype=np.uint8)
        for line in lines:
            for x1,y1,x2,y2 in line:
                cv2.line(line_img,(x1,y1),(x2,y2),color,thickness)
        #将划线图与原图合并
        #cv2.addWeighted(initial_img, α, img, β , γ) 
        #output: initial_img * α + img * β + γ
        img=cv2.addWeighted(img, 0.8, line_img, 1.0, 0.0) #叠加的两幅图片尺寸和channel需要一致
        return img

lines=hough_lines(ROI_img)
line_img=draw_lines(image,lines)
plt.imshow(line_img)