OpenCV實戰(zhàn)案例之車道線識別詳解
更新時間：2022年10月16日 13:43:21 作者：獜洛橙
計算機視覺在自動化系統(tǒng)觀測環(huán)境、預測該系統(tǒng)控制器輸入值等方面起著至關重要的作用,下面這篇文章主要給大家介紹了關于OpenCV實戰(zhàn)案例之車道線識別的相關資料,需要的朋友可以參考下
一、首先進行canny邊緣檢測，為獲取車道線邊緣做準備
import cv2
gray_img = cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)
canny_img = cv2.Canny(gray_img,50,100)
cv2.imwrite('canny_img.jpg',canny_img)
cv2.imshow('canny',canny_img)
cv2.waitKey(0)
二、進行ROI提取獲取確切的車道線邊緣（紅色線內部）
方法：在圖像中，黑色表示0，白色為1，那么要保留矩形內的白色線，就使用邏輯與，當然前提是圖像矩形外也是0，那么就采用創(chuàng)建一個全0圖像，然后在矩形內全1，之后與之前的canny圖像進行與操作，即可得到需要的車道線邊緣。
import cv2
import numpy as np
canny_img = cv2.imread('canny_img.jpg',cv2.IMREAD_GRAYSCALE)
roi = np.zeros_like(canny_img)
roi = cv2.fillPoly(roi,np.array([[[0, 368],[300, 210], [340, 210], [640, 368]]]),color=255)
roi_img = cv2.bitwise_and(canny_img, roi)
cv2.imwrite('roi_img.jpg',roi_img)
cv2.imshow('roi_img',roi_img)
cv2.waitKey(0)
三、利用概率霍夫變換獲取直線，并將斜率正數(shù)和復數(shù)的線段給分割開來
TIPs:使用霍夫變換需要將圖像先二值化
概率霍夫變換函數(shù)：
- lines=cv2.HoughLinesP(image, rho,theta,threshold,minLineLength, maxLineGap)
- image:圖像，必須是8位單通道二值圖像
- rho:以像素為單位的距離r的精度，一般情況下是使用1
- theta:表示搜索可能的角度，使用的精度是np.pi/180
- threshold:閾值，該值越小，判定的直線越多，相反則直線越少
- minLineLength:默認為0，控制接受直線的最小長度
- maxLineGap:控制接受共線線段的最小間隔，如果兩點間隔超過了參數(shù)，就認為兩點不在同一直線上，默認為0
- lines:返回值由numpy.ndarray構成，每一對都是一對浮點數(shù)，表示線段的兩個端點
import cv2
import numpy as np
#計算斜率
def calculate_slope(line):
x_1, y_1, x_2, y_2 = line[0]
return (y_2 - y_1) / (x_2 - x_1)
edge_img = cv2.imread('masked_edge_img.jpg', cv2.IMREAD_GRAYSCALE)
#霍夫變換獲取所有線段
lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40,
maxLineGap=20)
#利用斜率劃分線段
left_lines = [line for line in lines if calculate_slope(line) < 0]
right_lines = [line for line in lines if calculate_slope(line) > 0]四、離群值過濾，剔除斜率相差過大的線段
流程：
- 獲取所有的線段的斜率，然后計算斜率的平均值
- 遍歷所有斜率，計算和平均斜率的差值，尋找最大的那個斜率對應的直線，如果差值大于閾值，那么就從列表中剔除對應的線段和斜率
- 循環(huán)執(zhí)行操作，直到剩下的全部都是小于閾值的線段
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=0.2)
reject_abnormal_lines(right_lines, threshold=0.2)五、最小二乘擬合，實現(xiàn)將左邊和右邊的線段互相擬合成一條直線，形成車道線
流程：
- 取出所有的直線的x和y坐標，組成列表，利用np.ravel進行將高維轉一維數(shù)組
- 利用np.polyfit進行直線的擬合，最終得到擬合后的直線的斜率和截距，類似y=kx+b的（k,b）
- 最終要返回(x_min,y_min,x_max,y_max）的一個np.array的數(shù)據(jù)，那么就是用np.polyval求多項式的值，舉個example，np.polyval([3,0,1], 5) # 3 * 5**2 + 0 * 5**1 + 1，即可以獲得對應x坐標的y坐標。
def least_squares_fit(lines):
# 1. 取出所有坐標點
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. 進行直線擬合.得到多項式系數(shù)
poly = np.polyfit(x_coords, y_coords, deg=1)
print(poly)
# 3. 根據(jù)多項式系數(shù),計算兩個直線上的點,用于唯一確定這條直線
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.int)
print("left lane")
print(least_squares_fit(left_lines))
print("right lane")
print(least_squares_fit(right_lines))六、繪制線段
cv2.line(img, tuple(left_line[0]), tuple(left_line[1]), color=(0, 255, 255), thickness=5) cv2.line(img, tuple(right_line[0]), tuple(right_line[1]), color=(0, 255, 255), thickness=5)
全部代碼（視頻顯示）
import cv2
import numpy as np
def get_edge_img(color_img, gaussian_ksize=5, gaussian_sigmax=1,
canny_threshold1=50, canny_threshold2=100):
"""
灰度化,模糊,canny變換,提取邊緣
:param color_img: 彩色圖,channels=3
"""
gaussian = cv2.GaussianBlur(color_img, (gaussian_ksize, gaussian_ksize),
gaussian_sigmax)
gray_img = cv2.cvtColor(gaussian, cv2.COLOR_BGR2GRAY)
edges_img = cv2.Canny(gray_img, canny_threshold1, canny_threshold2)
return edges_img
def roi_mask(gray_img):
"""
對gray_img進行掩膜
:param gray_img: 灰度圖,channels=1
"""
poly_pts = np.array([[[0, 368], [300, 210], [340, 210], [640, 368]]])
mask = np.zeros_like(gray_img)
mask = cv2.fillPoly(mask, pts=poly_pts, color=255)
img_mask = cv2.bitwise_and(gray_img, mask)
return img_mask
def get_lines(edge_img):
"""
獲取edge_img中的所有線段
:param edge_img: 標記邊緣的灰度圖
"""
def calculate_slope(line):
"""
計算線段line的斜率
:param line: np.array([[x_1, y_1, x_2, y_2]])
:return:
"""
x_1, y_1, x_2, y_2 = line[0]
return (y_2 - y_1) / (x_2 - x_1)
def reject_abnormal_lines(lines, threshold=0.2):
"""
剔除斜率不一致的線段
:param lines: 線段集合, [np.array([[x_1, y_1, x_2, y_2]]),np.array([[x_1, y_1, x_2, y_2]]),...,np.array([[x_1, y_1, x_2, y_2]])]
"""
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
def least_squares_fit(lines):
"""
將lines中的線段擬合成一條線段
:param lines: 線段集合, [np.array([[x_1, y_1, x_2, y_2]]),np.array([[x_1, y_1, x_2, y_2]]),...,np.array([[x_1, y_1, x_2, y_2]])]
:return: 線段上的兩點,np.array([[xmin, ymin], [xmax, ymax]])
"""
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])
poly = np.polyfit(x_coords, y_coords, deg=1)
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.int)
# 獲取所有線段
lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40,
maxLineGap=20)
# 按照斜率分成車道線
left_lines = [line for line in lines if calculate_slope(line) > 0]
right_lines = [line for line in lines if calculate_slope(line) < 0]
# 剔除離群線段
left_lines = reject_abnormal_lines(left_lines)
right_lines = reject_abnormal_lines(right_lines)
return least_squares_fit(left_lines), least_squares_fit(right_lines)
def draw_lines(img, lines):
left_line, right_line = lines
cv2.line(img, tuple(left_line[0]), tuple(left_line[1]), color=(0, 255, 255),
thickness=5)
cv2.line(img, tuple(right_line[0]), tuple(right_line[1]),
color=(0, 255, 255), thickness=5)
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_lines(color_img, lines)
return color_img
capture = cv2.VideoCapture('video.mp4')
while True:
ret, frame = capture.read()
if not ret:
break
frame = show_lane(frame)
cv2.imshow('frame', frame)
cv2.waitKey(10)總結
到此這篇關于OpenCV實戰(zhàn)案例之車道線識別詳解的文章就介紹到這了,更多相關OpenCV車道線識別內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
今天小編就為大家分享一篇解決python gdal投影坐標系轉換的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
這篇文章主要介紹了基于PyQt5完成的PDF拆分功能,本文介紹的pdf拆分功能還有一些待完善地方，例如可增加預覽功能，實現(xiàn)每頁預覽，以及如何實現(xiàn)多條件拆分，需要的朋友可以參考下2022-06-06
這篇文章主要為大家詳細介紹了Python實現(xiàn)Excel自動分組合并單元格，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-02-02
turtle庫是一個點線面的簡單圖像庫，在Python2.6之后被引入進來，能夠完成一些比較簡單的幾何圖像可視化。本文將利用turtle繪制一個可愛的草帽路飛，感興趣的可以試一試2022-03-03
這篇文章主要介紹了python使用chardet判斷字符串編碼的方法,涉及Python編碼的技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-03-03
這篇文章主要介紹了python格式化字符串的方法,實例展示了常見的幾類Python針對字符串的格式方法,非常實用,需要的朋友可以參考下2014-09-09
這篇文章主要介紹了python畫圖時給圖中的點加標簽和plt.text的使用，利用matplotlib模塊畫各城市2019-nCoV疫情確診人數(shù)和節(jié)前流入人口數(shù)的圖的時候遇到了要給圖中的點加上標簽示意,需要的朋友可以參考一下2022-03-03
這篇文章主要介紹了Python如何通過ARIMA模型進行時間序列分析預測問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-02-02
Python創(chuàng)建簡單的神經(jīng)網(wǎng)絡實例講解
在本篇文章里小編給大家整理的是一篇關于如何在Python中創(chuàng)建一個簡單的神經(jīng)網(wǎng)絡的相關知識點，有興趣的朋友們可以參考下。2021-01-01
Python實現(xiàn)批量生成,重命名和刪除word文件
這篇文章主要為大家詳細介紹了Python如何利用第三方庫實現(xiàn)批量生成、重命名和刪除word文件的功能，文中的示例代碼講解詳細，需要的可以參考一下2023-03-03