采用Python OpenCV进行车道线检测

步骤

• 主要使用Python的OpenCV库
• 使用高斯滤波获取平滑化图像，降低噪声的干扰
• 获取灰度数组，采用Canny算子、调整双阈值获取车道线的轮廓
• 获取掩膜，排除目标梯形区域以外的轮廓干扰
• 采用霍夫曼检测获取左右车道直线

代码

import cv2
import numpy as np


# 高斯滤波+canny边缘检测
# 高斯模糊卷积核只能是奇数，防止加的像素不对称。模糊半径越大，图像就越模糊。
def get_edge_img(color_img, gaussian_ksize=5, gaussian_sigmax=1,
                 canny_threshold1=50, canny_threshold2=100):
    # color_img 输入图片 gaussian_ksize 高斯核大小 gaussian_sigmax X方向上的高斯核标准偏差
    gaussian = cv2.GaussianBlur(color_img, (gaussian_ksize, gaussian_ksize), gaussian_sigmax)
    gray_img = cv2.cvtColor(gaussian, cv2.IMREAD_GRAYSCALE)
    # 灰度图片，低阈值，高阈值
    edge_img = cv2.Canny(gray_img, canny_threshold1, canny_threshold2)
    return edge_img


# 获取掩膜
def roi_mask(gray_img):
    # 左上角为原点，从左到右为x正轴，以从上到下为y正轴
    poly_pts = np.array([[[0, 368], [300, 210], [340, 210], [640, 368]]])
    # zeros_like函数：保持原有的数据类型，但是将其值全变为0
    # cv2.imshow('gray_img', gray_img)
    mask = np.zeros_like(gray_img)
    # cv2.imshow('mask', mask)
    cv2.fillPoly(mask, pts=poly_pts, color=255)
    img_mask = cv2.bitwise_and(gray_img, mask)
    cv2.imshow('img_mask', img_mask)
    return img_mask


# 获取车道线
def get_lines(edge_img):
    # 斜率计算
    def calculate_slope(line):
        x_1, y_1, x_2, y_2 = line[0]
        slope = (y_2 - y_1) / (x_2 - x_1)
        return slope

    # 离群值过滤
    def reject_abnormal_lines(lines, threshold):
        slopes = [calculate_slope(line) for line in lines]
        while len(lines) > 0:
            mean = np.mean(slopes)
            # 取斜率绝对值
            diff = [abs(s - mean) for s in slopes]
            # argmax返回列表中最大值的索引
            idx = np.argmax(diff)
            # 如果最大值比阈值大
            if diff[idx] > threshold:
                slopes.pop(idx)
                lines.pop(idx)
            else:
                break
        return lines

    # 最小二乘拟合
    def least_squares_fit(lines):
        # 1.线上的点的坐标集合
        x_coords = np.ravel([[line[0][0], line[0][2]] for line in lines])
        y_coords = np.ravel([[line[0][1], line[0][3]] for line in lines])
        # 2. 进行直线拟合.得到多项式系数。x, y为各个点的横纵坐标，deg为拟合曲线的次数（多少次方），因为是求直线，所以deg为1
        poly = np.polyfit(x_coords, y_coords, deg=1)
        # 3. 根据多项式系数,计算两个直线上的点,用于唯一确定这条直线
        # y轴是拟合计算后的点
        point_min = (np.min(x_coords), np.polyval(poly, np.min(x_coords)))
        point_max = (np.max(x_coords), np.polyval(poly, np.max(x_coords)))
        # return np.array([point_min, point_max], dtype=np.int0)
        # 将[point_min, point_max]转化为int32类型
        return np.array([point_min, point_max], dtype=np.int32)

    # 霍夫检测，没有用到lines参数
    # image： 必须是二值图像，推荐使用canny边缘检测的结果图像；
    # rho: 线段以像素为单位的距离精度，double类型的，推荐用1.0
    # theta： 线段以弧度为单位的角度精度，推荐用numpy.pi / 180
    # threshod: 累加平面的阈值参数，int类型，超过设定阈值才被检测出线段，值越大，基本上意味着检出的线段越长，检出的线段个数越少。根据情况推荐先用100试试
    # lines：这个参数的意义未知，发现不同的lines对结果没影响，但是不要忽略了它的存在
    # minLineLength：线段以像素为单位的最小长度，根据应用场景设置
    # maxLineGap：同一方向上两条线段判定为一条线段的最大允许间隔（断裂），超过了设定值，则把两条线段当成一条线段，值越大，允许线段上的断裂越大，越有可能检出潜在的直线段
    lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40, maxLineGap=20)
    # 返回线段的两个端点

    # 在它的坐标系里，左边的直线斜率小于0
    left_lines = [line for line in lines if calculate_slope(line) < 0]
    # 在它的坐标系里，右边的直线斜率大于0
    right_lines = [line for line in lines if calculate_slope(line) > 0]

    # 过滤掉斜率大于阈值的线段
    left_lines = reject_abnormal_lines(left_lines, threshold=0.2)
    right_lines = reject_abnormal_lines(right_lines, threshold=0.2)

    return least_squares_fit(left_lines), least_squares_fit(right_lines)


# 绘制车道线
def draw_line(img, lines):
    left_line, right_line = lines
    cv2.line(img, tuple(left_line[0]), tuple(left_line[1]), color=(0, 255, 255), thickness=3)
    cv2.line(img, tuple(right_line[0]), tuple(right_line[1]), color=(0, 255, 255), thickness=3)


# 依次调用以上函数，返回重绘车道线后的图
def show_lane(color_img):
    edge_img = get_edge_img(color_img)
    mask_gray_img = roi_mask(edge_img)
    lines = get_lines(mask_gray_img)
    draw_line(color_img, lines)
    return color_img


if __name__ == '__main__':
    # 如果为cv2.VideoCapture(0)，表示打开笔记本的内置摄像头。
    capture = cv2.VideoCapture('./video/video.mp4')
    fourcc = cv2.VideoWriter_fourcc('X', 'V', 'I', 'D')
    outfile = cv2.VideoWriter('output.avi', fourcc, 25, (1280, 368))

    while True:
        ret, frame = capture.read()
        origin = np.copy(frame)
        frame = show_lane(frame)
        output = np.concatenate((origin, frame), axis=1)
        outfile.write(output)
        cv2.imshow('video', output)
        cv2.waitKey(10)