OpenCV |实时道路车道检测
简介
自动驾驶汽车是人工智能领域最具颠覆性的创新之一。在深度学习算法的推动下，它们不断推动我们的社会向前发展，并在移动领域创造新的机会。自动驾驶汽车可以去传统汽车能去的任何地方，做有经验的人类司机所做的一切。但是对它进行适当的训练是非常必要的。在自动驾驶汽车的培训过程中，涉及的许多步骤之一是车道检测，这是初步步骤。今天，我们将学习如何使用视频进行车道检测。
车道检测涉及以下步骤:
- 捕获和解码视频文件:我们将使用 VideoCapture 对象捕获视频，并且在捕获被初始化之后，每个视频帧都被解码(即转换为图像序列)。
- 图像灰度转换:视频帧为 RGB 格式，RGB 转换为灰度是因为处理单通道图像比处理三通道彩色图像快。
- 降低噪声:噪声会产生伪边缘，因此在进一步之前，必须进行图像平滑。高斯滤波器用于执行这一过程。
- Canny 边缘检测器:它计算我们的模糊图像的所有方向的梯度，并跟踪密度变化较大的边缘。更多解释请浏览本文: Canny 边缘检测器
- 感兴趣区域:该步骤仅考虑道路车道覆盖的区域。这里创建了一个遮罩，它与我们的道路图像具有相同的维度。此外，在我们的 canny 图像的每个像素和这个掩模之间执行逐位“与”运算。它最终屏蔽了 canny 图像，并显示了由掩模的多边形轮廓跟踪的感兴趣区域。
- 霍夫线变换:霍夫线变换是用于检测直线的变换。这里使用了概率霍夫线变换，它给出了作为检测到的线的极值的输出
数据集:数据集由一条道路的视频文件组成。 你可以从这个 GitHub 链接下载数据集–数据集
现在开始执行流程:
-
默认情况下，它附带蟒蛇皮 Matplotlib:要安装 matplotlib，请在命令行中键入–“pip 安装 matplotlib” OpenCV: It can be installed in two ways, using anaconda or using pip. To install using anaconda, type- “conda install -c conda-forge opencv”, or to install using pip, type- “pip install opencv-python” into your command line
```py
Import the required libraries
import cv2 import numpy as np import matplotlib.pyplot as plt ```
canny 函数计算 x 和 y 两个方向的导数，根据它，我们可以看到强度值的变化。较大的导数等于高强度(剧烈变化)，较小的导数等于低强度(轻微变化):
```py def canny_edge_detector(image):
# Convert the image color to grayscale gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
# Reduce noise from the image blur = cv2.GaussianBlur(gray_image, (5, 5), 0) canny = cv2.Canny(blur, 50, 150) return canny ```
找到感兴趣的区域后，隐藏我们的精明形象:
```py def region_of_interest(image): height = image.shape[0] polygons = np.array([ [(200, height), (1100, height), (550, 250)] ]) mask = np.zeros_like(image)
# Fill poly-function deals with multiple polygon cv2.fillPoly(mask, polygons, 255)
# Bitwise operation between canny image and mask image masked_image = cv2.bitwise_and(image, mask) return masked_image ```
我们将找到我们道路车道的坐标:
py def create_coordinates(image, line_parameters): slope, intercept = line_parameters y1 = image.shape[0] y2 = int(y1 * (3 / 5)) x1 = int((y1 - intercept) / slope) x2 = int((y2 - intercept) / slope) return np.array([x1, y1, x2, y2])分别借助于正斜率和负斜率来区分左车道和右车道，并将它们附加到列表中，如果斜率是负的，则道路车道属于车辆的左侧，如果斜率是正的，则道路车道属于车辆的右侧:
```py def average_slope_intercept(image, lines): left_fit = [] right_fit = [] for line in lines: x1, y1, x2, y2 = line.reshape(4)
# It will fit the polynomial and the intercept and slope 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) left_line = create_coordinates(image, left_fit_average) right_line = create_coordinates(image, right_fit_average) return np.array([left_line, right_line]) ```
将坐标拟合到我们的实际图像中，然后返回带有检测到的线的图像(带有检测到的车道的道路):
py def display_lines(image, lines): line_image = np.zeros_like(image) if lines is not None: for x1, y1, x2, y2 in lines: cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 10) return line_image首先，视频文件被读取并解码成帧，并使用霍夫线方法检测穿过图像的直线。然后我们调用所有的函数。
```py
Path of dataset directory
cap = cv2.VideoCapture("datasets\test2.mp4") while(cap.isOpened()): _, frame = cap.read() canny_image = canny_edge_detector(frame) cropped_image = region_of_interest(canny_image)
lines = cv2.HoughLinesP(cropped_image, 2, np.pi / 180, 100, np.array([]), minLineLength = 40, maxLineGap = 5)
averaged_lines = average_slope_intercept(frame, lines) line_image = display_lines(frame, averaged_lines) combo_image = cv2.addWeighted(frame, 0.8, line_image, 1, 1) cv2.imshow("results", combo_image)
# When the below two will be true and will press the 'q' on # our keyboard, we will break out from the loop
# # wait 0 will wait for infinitely between each frames. # 1ms will wait for the specified time only between each frames if cv2.waitKey(1) & 0xFF == ord('q'): break
close the video file
cap.release()
destroy all the windows that is currently on
cv2.destroyAllWindows() ```
输入:
输出:
请浏览此链接并下载输出视频，以便更清晰地可视化–输出
