独家 | 无人驾驶项目实战： 使用OpenCV进行实时车道检测

作者：PRATEEK JOSHI

翻译：张若楠

校对：吴金笛

本文长度为2600字，建议阅读10分钟

本文为一个从图像预处理角度入手的无人驾驶车道识别实战项目。

作者序

大约十年前，我瞥见了第一辆自动驾驶汽车，当时Google仍在对初代无人车进行测试，而我立刻被这个想法吸引了。诚然，在将这些概念开源给社区之前，我必须等待一段时间，但是这些等待是值得的。

我最近尝试了一些与计算机视觉有关的自动驾驶理念，其中包括车道检测。设想一下，在设计任何自动驾驶汽车时，车道检测都是一个非常核心的技术。我们将基于这段视频搭建车道检测系统：https://youtu.be/sYhZbhT-Smw。很酷对吧？我将使用OpenCV库，通过计算机视觉，引导你进入车道检测和自动驾驶这一领域。当然，在本教程中我们还将讲解Python代码。

对于任何深度学习或计算机视觉新手，请注意--如果你要入门，请查看以下课程及产品。这些资源可以很好的助力你开始计算机视觉之旅：

• 深度学习基础

https://courses.analyticsvidhya.com/courses/fundamentals-of-deep-learning

• 使用深度学习的计算机视觉

https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2

目录

1. 了解车道检测的概念

2. 问题陈述

3. 什么是帧蒙版（Frame Mask）？

4. 用于车道检测的图像预处理

5. 在Python中使用OpenCV进行车道检测实战

 

车道检测的概念

 

那么什么是车道检测？维基百科是这样定义车道的：“车道是道路（行车道）的一部分，专门用于单行车辆，以控制和引导驾驶员并减少交通冲突。”

 

Figure 1：https://en.wikipedia.org/wiki/Lane

对此进行正式定义很重要，因为它使我们能够在项目中使用固定的车道定义，这样在构建系统时我们不会产生任何歧义。

如我之前提到的，车道检测是自动驾驶的重要组成部分。它是推动场景理解的最重要的研究主题之一。一旦获得车道位置，车辆将知道要去哪里，并避免驶入其他车道或离开道路的风险。这可以防止驾驶员/驾驶系统偏离行车轨道。

以下是一些随机道路图像（第一行）及其检测到的车道（第二行）：

 

Figure 2 https://github.com/qinnzou/Robust-Lane-Detection

 

问题陈述

我们希望执行的任务是视频中的实时车道检测。我们可以通过多种方式做车道检测。可以使用样本训练的方法，例如在带有标注的视频数据集上训练深度学习模型，或者使用预先训练好的模型。

但是，