实战：使用 OpenCV 的自动驾驶汽车车道检测（附代码）-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

一、边缘检测

我们将使用 Canny 进行边缘检测。如果你不确定这是什么，请查阅相关资料，对于后文的阅读会有帮助。

def canyEdgeDetector(image):    edged = cv2.Canny(image, 50, 150)    return edged

二、定义ROI

驾驶时，为了让汽车保持在车道上，只关注当前道路的下一个100米。此外，也不关心分隔线另一侧的道路。这就是我们定义的区域。我们隐藏图像中不必要的细节，只显示有助于我们找到车道的区域。

def getROI(image):    height = image.shape[0]    width = image.shape[1]    # Defining Triangular ROI: The values will change as per your camera mounts    triangle = np.array([[(100, height), (width, height), (width-500, int(height/1.9))]])    # creating black image same as that of input image    black_image = np.zeros_like(image)    # Put the Triangular shape on top of our Black image to create a mask    mask = cv2.fillPoly(black_image, triangle, 255)    # applying mask on original image    masked_image = cv2.bitwise_and(image, mask)    return masked_image

1.我们已经定义了三角形 ROI，其坐标将根据你们在汽车上安装摄像头的位置而变化（尽量只使用图像中实际有助于车道检测的那部分）。

2.我们创建了一个与原始图像形状相同的黑色图像：

3.创建一个蒙版：然后我们使用cv2.fillPoly()将我们的三角形（带有白色线条）放在我们的黑色图像之上以创建一个蒙版。

4. 在我们的原始图像上应用蒙版以获得只有我们的 ROI 的裁剪图像。

def getLineCoordinatesFromParameters(image, line_parameters):    slope = line_parameters[0]    intercept = line_parameters[1]    y1 = image.shape[0]  # since line will always start from bottom of image    y2 = int(y1 * (3.4 / 5))  # some random point at 3/5    x1 = int((y1 - intercept) / slope)    x2 = int((y2 - intercept) / slope)    return np.array([x1, y1, x2, y2])

五、获取平滑的线条

一旦我们从步骤 3 中获得了线条，在这一步中，我们将这些线条分成 2 组（左和右）。如果你们注意到Step3的输出图像，则此步骤会将Line1和Line 2放入左侧组，将Line3放入右侧组。

分组后，我们找到该组的平均斜率（m）和截距（c），并尝试通过调用 getLineCoordinatesFromParameters() 并传递平均值 m 和平均值 c 为每个组创建一条线。

以下是完成所有这些工作的函数：

def getSmoothLines(image, lines):    left_fit = []  # will hold m,c parameters for left side lines    right_fit = []  # will hold m,c parameters for right side lines
    for line in lines:        x1, y1, x2, y2 = line.reshape(4)        parameters = np.polyfit((x1, x2), (y1, y2), 1)        slope = parameters[0]        intercept = parameters[1]
        if slope < 0:            left_fit.append((slope, intercept))        else:            right_fit.append((slope, intercept))
    left_fit_average = np.average(left_fit, axis=0)    right_fit_average = np.average(right_fit, axis=0)
    # now we have got m,c parameters for left and right line, we need to know x1,y1 x2,y2 parameters    left_line = getLineCoordinatesFromParameters(image, left_fit_average)    right_line = getLineCoordinatesFromParameters(image, right_fit_average)    return np.array([left_line, right_line])

这是线条分组后图像的外观：

六、主要代码

一旦我们准备好了单独的函数，我们只需要在我们的主代码中调用它们，你就会在你的图像中检测到车道。

image = cv2.imread("3.jpg") #Load Image
edged_image = canyEdgeDetector(image)   # Step 1roi_image = getROI(edged_image)         # Step 2
lines = getLines(roi_image)             # Step 3
smooth_lines = getSmoothLines(image, lines)    # Step 5image_with_smooth_lines = displayLines(image, smooth_lines) # Step 4
cv2.imshow("Output", image_with_smooth_lines)cv2.waitKey(0)

输出将如下所示：

Github代码链接：

https://github.com/pdhruv93/computer-vision/tree/main/lane-detection-self-driving

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~