💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
⛳️赠与读者
👨💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......🔎🔎🔎
💥1 概述
文献来源:
这份报告是关于系统性进行自动驾驶汽车车道检测和预测的步骤的评论。我们首先讨论了一些图像处理技术,如滤波和边缘检测,以最初准备每一帧图像。然后,分析了在感兴趣区域内使用Hough变换来找到显著的线条以查找车道。接下来,解释了利用消失点进行车道预测的概念。本报告在必要时讨论了在MATLAB®上的软件实现。最后,将阐明项目的结果和结论。报告最后将提及可能的未来工作。需注意数据集来自Udacity。
关键词:车道检测、车道预测、自动驾驶汽车、Sobel算子、Hough变换、车道偏离警告。
首先,进行图像平滑处理以减少噪声。通过去噪图像,确保任何未来的图像处理不受图像中的噪声干扰。使用MATLAB函数imgaussfilt3(),使用默认的sigma值0.5进行标准的高斯滤波。以下是滤波前后的比较:
接下来,我们取得滤波后的RGB图像,并使用MATLAB函数rgb2gray()将其转换为灰度图像。一旦我们有了灰度图像,我们就进行阈值处理以创建二值图像。这是因为边缘检测器的输入需要是强度图像或二值图像。我们将任何高于像素强度180的值(通过试验和误差得到)设置为0(白色)。阈值处理特别有助于处理由混凝土铺成的路段。详细文章见第4部分。
📚2 运行结果
运行视频:
链接:https://pan.baidu.com/s/1q6a4SKhCb1VSUF1CAiX15g
提取码:34b3
--来自百度网盘超级会员V5的分享
部分代码:
figure, imshow(frame), hold on
xy = [lines(maxLeftLineNo).point1; lines(maxLeftLineNo).point2];
% Find Slope of Left Line
x1 = xy(1,1);
y1 = xy(1,2);
x2 = xy(2,1);
y2 = xy(2,2);
slope = (y2-y1)/(x2-x1);
% Find Desired Start and End points and Plot Them
yStart = 680;
xStart = (yStart -y1)/slope + x1;
yEnd = 475;
xEnd = (yEnd-y1)/slope + x1;
plot([xStart, xEnd], [yStart, yEnd], 'LineWidth',2,'Color','black');
XY = [lines(maxRightLineNo).point1; lines(maxRightLineNo).point2];
% Find Slope of Right Line
X1 = XY(1,1);
Y1 = XY(1,2);
X2 = XY(2,1);
Y2 = XY(2,2);
Slope = (Y2-Y1)/(X2-X1);
% Find Desired Start and End points and Plot Them
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。