opencv 边缘平滑_基于OpenCV的车道检测实现（一）

无人驾驶的话题日趋起热，而车道线检测对于无人驾驶的路径规划来讲特别重要。要遵守交通规则，首先的要求便是对车道线检测，而且通过检测车道线可以进一步的检测地面指示标志、进行前碰撞预警策略设计等。

早早就对OpenCV感兴趣，但迟迟未去实践，现在我们就一起看看如何基于OpenCV进行检测吧！

步骤：

1、Canny边缘检测算法的实现

2、OPENCV ROI（感兴趣区域替换）

3、霍夫变换

4、离群值过滤

5、最小二乘拟合

6、直线绘制与整合

1、canny边缘检测算法

Opencv中的几种边缘检测算法_人工智能_k-CSDN博客​blog.csdn.net

首先，Canny 边缘检测是一种非常流行的边缘检测算法。忘记讲了，前面需要将图片灰度化，这样使得图片更好处理。

原图：

灰度之后：

img=cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)

接着进行边缘检测：

edge_img=cv2.Canny(img,100,150)

Canny边缘检测算法：

step1:用高斯滤波器平滑图象；

step2:用一阶偏导的有限差分来计算梯度的幅值和方向；

step3:对梯度幅值进行非极大值抑制；

step4:用双阈值算法检测和连接边缘。

Canny（名称，下阈值，上阈值）

主要利用梯度来看是否为边缘，上阈值以上的保留，下阈值以下的消去，中间的若与上阈值相连的则可留下，这样则可消去大量噪点。

2、roi去除背景

opencv ROI（感兴趣区域替换）​www.cnblogs.com

首先，要考虑原图以什么形式保存，这里采用的是利用掩码，产生一块对应的画布，进行替代。

mask=np.zeros_like(edge_img)
mask=cv2.fillPoly(mask,
                  np.array([[[20,488],[700,100],[130,200],[120,200]]]),
                  color=255)
masked_edge_img=cv2.bitwise_and(edge_img,mask)

这里则需要确定画布的四个点的位置，color=255为黑色。

3、霍夫变换

霍夫变换​www.cnblogs.com

在直角坐标系中，我们可以通过绘制 y 对 x 的图像来表示 y=mx+b。但在霍夫空间中，我们也可以通过绘制 b 对 m 的图像将这条线表示为一个点，即用极坐标方程。

例如，直线方程 y=2x+1 在霍夫空间中可能是用 (2, 1) 表示的。

例如，对极坐标系中的点 (8, 6)、(4, 9) 和 (12, 3)，我们在霍夫空间中绘制出的相应图像如下：

在霍夫空间中相交的曲线越多，意味着用交点表示的线对应的点越多。如此，我们便可在霍夫空间中定义了交点的最小阈值，以便检测车道线，消去无用的线。如果交点数量超过了定义的阈值，我们就确定一条对应参数 θ 和 r 的线。

left_lines=[line for line in lines if calculate_slope(line)>0]
right_lines=[line for line in lines if calculate_slope(line)<0]
def reject_abnormal_lines(lines,threshold):
    slopes=[calculate_slope(line) for line in lines]
    while len(lines)>0:
        mean=np.mean(slopes)
        diff=[abs(s-mean) for s in slopes]
        idx=np.argmax(diff)
        if diff[idx]>threshold:
            slopes.pop(idx)
            lines.pop(idx)
        else:
            break
    return lines
reject_abnormal_lines(left_lines,threshold=0.002)

通过以上三步，我们便可初步将车道线的位置确定下来。欢迎大家一起来尝试！