实战:使用 OpenCV 的自动驾驶汽车车道检测(附代码)

小白学视觉

共 4412字,需浏览 9分钟

 ·

2021-08-10 18:37

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。

此步骤的输出:


三、获取线


下一步是通过 ROI 以获取图像中的所有直线。cv2.HoughLinesP()可以实现这一目标,此函数返回它可以在输入图像中找到的所有直线的列表,每条线由 [x1, y1, x2, y2] 表示。


def getLines(image):    lines = cv2.HoughLinesP(image, 0.3, np.pi/180, 100, np.array([]), minLineLength=70, maxLineGap=20)    return lines
cv2.HoughLinesP() 的参数必须根据要求进行调整(尝试更改和调试最适合方法)。但我们认为上面的方法在大多数情况下都应该有效,此步骤的输出如下所示:


四、绘制线条


以下实用程序函数获取图像和线条列表,并在图像上绘制线条。(此步骤不接受来自 Step3 的任何输入。相反,这只是一个将从 Step5 调用的实用步骤,因此首先查看 Step5,并在需要时访问此步骤)。

def displayLines(image, lines):    if lines is not None:        for line in lines:            x1, y1, x2, y2 = line.reshape(4) #converting to 1d array            cv2.line(image, (x1, y1), (x2, y2), (255, 0, 0), 10)    return image

我们定义了另一个效用函数来从它的参数(斜率和截距)中获取线坐标。需要注意的是:一条线由y=mx+c表示,其中 m 是斜率,c 是截距。

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
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
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~


浏览 39
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报