opencv入门项目——车道线检测
Posted -素心向暖
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了opencv入门项目——车道线检测相关的知识，希望对你有一定的参考价值。
文章目录
Canny 边缘检测
import cv2
img = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE)
edge_img = cv2.Canny(img, 50, 100)
cv2.imshow('edges', edge_img)
cv2.waitkey(0)
有小噪点，可通过调高阈值解决
edge_img = cv2.Canny(img, 70, 120)
cv2.imshow('edges', edge_img)
cv2.waitkey(0)
相比于之前，边缘明显减少
小程序
import cv2
cv2.namedWindow('edge_detection')
cv2.createTrackbar('minThreshold', 'edge_detection', 50, 1000, lambda x: x)
cv2.createTrackbar('maxThreshold', 'edge_detection', 100, 1000, lambda x: x)
img = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE)
while True:
minThreshold = cv2.getTrackbarPos('minThreshold', 'edge_detection')
maxThreshold = cv2.getTrackbarPos('maxThreshold', 'edge_detection')
edges = cv2.Canny(img, minThreshold, maxThreshold)
cv2.imshow('edge_detection', edges)
cv2.waitKey(10)A
阈值增加，强边缘减少，随之也会导致弱边缘减少
roi_mask
理论
通过 Canny 边缘检测算法，获取了边缘信息。但还有很多无关信息，对于车道信息没有意义，还会造成干扰，所以要将其剔除。
在C++版本中有实现ROI这个函数
但在Python版本中，没有实现图片数据结构，而是将图片保存为 numpy 数组。
所以在python 版本中实现ROI，有以上两种方法。
数组切片，取出来的是个矩形区域
实现
- ROI（region of interest，感兴趣的区域）
- 数组切片
- 布尔运算（与运算）
- 图像以矩阵 np.array 形式存储在内存中
- np.zeros_like
- cv2.fillPoly
- cv2.bitwise_and / np.bitwise_and
import cv2
import numpy as np
edge_img = cv2.imread('edges_img.jpg', cv2.IMREAD_GRAYSCALE)
mask = np.zeros_like(edge_img)
cv2.fillPoly(mask, np.array([[[0 ,368], [240, 210], [300, 210], [640, 368]]], color=255)
注意输入点的顺序
masked_edge_img = cv2.bitwise_and(edge_img, mask)
cv2.imshow('masked', masked_edge_img)
cv2.waitKey(0)
生成图片只保留车道线所需要的信息，当然 ROI 这里没有提取好。
霍夫变换
基本原理
API
实现
import cv2
import numpy as np
img = np.zeros((200, 400))
cv2.line(img, (10, 10), (200， 100)， 255， 3)
cv2.line(img, (30, 50), (350, 10), 255, 2)
cv2.imshow('img', img)
cv2.imwrite('lines.jpg', img)
cv2.waitKey(0)
霍夫变换只针对灰度图
import cv2
import numpy as np
cv2.imread('lines.jpg', cv2.IMREAD_GRAYSCALE)
lines = cv2.HoughLinesP(img, 1, np.pi/180, 15, minLineLength=40, maxLineGap=20)
print(len(lines))
32
图像中只有两条直线，却找到32条直线。
这是因为画出的直线是有一定宽度的，在这两条直线之间，拟合出来来了很多直线
解决：
根据斜率进行分类
再通过最小二乘法拟合成一条直线
def calculate_slope(line):
"""
计算线段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]
if x_1 == x_2:
return (y_2-y_1) / (x_2-x_1+1)
else:
return (y_2-y_1) / (x_2-x_1)
edge_img = cv2.imread('masked_edge_img.jpg', cv2.IMREAD_GRAYSCALE)
# 获取所有线段
lines = cv2.HoughlinesP(edge_img, 1, np.pi/180, 15, minLineLength=40, maxLineGap=20)
# 按照斜率分成车道线
left_lines = [line for line in lines if calculate_slope(line) > 0]
right_lines = [line for line in lines if calculate_slope(line) < 0]
离群值过滤
因为误差，有些直线会被误识别，但他们可能不属于左直线和右直线。
通过特征，来排除。直线的特征就是斜率。
将与平均斜率相差太大的线排除。
def reject_abnormal_lines(lines, threshold):
"""
剔除斜率不一致的线段
:param lines：线段集合，[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
reject_abnormal_lines(left_lines, threshold=0.2)
reject_abnormal_lines(right_lines, threshold=0.2)
最小二乘拟合
API
- np.ravel 将高维数组拉成一维
- np.polyfit 多项式拟合
- np.polyval 多项式求值
a = np.array([[2, 3], [4, 5]])
print(a)
a.ravel()
poly = np.polyfit([0, 3, 6, 9], [0, 5, 9, 14], deg=1) # deg 为几维矩阵
print(poly)
得到一个数对，两个参数
x = 0
print(poly[0] * x + poly[1])
np.polyval(poly, 10) # 上下两种形式一样
实现
def least_squares_fit(lines):
"""
将lines中的线段拟合成一条线段
:param lines：线段集合，[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：线段上的两点，np.array([[xmin, ymin], [xmax, ymax]])
"""
# 1. 去除所有坐标点
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
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
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))
直线绘制
API
- 绘制直线：cv2.line
img = cv2.imread('img.jpg', cv2.IMREAD_COLOR)
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(left_line[1]), color=(0, 255, 255), thickness=5)
cv2.imshow('lane', img)
cv2.waitKey(0)
视频流读写
API
-
cv2.VideoCapture
- capture.read
-
cv2.VideoWriter
- writer.write
如果要用C++或python 处理 视频流的话，建议使用ffmpeg
实现
def show_lane(color_img):
"""
在 color_img 上画出车道线
:param color_img：彩色图，channels=3
:return:
"""
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')
# capture = cv2.VideoCapture(0) # 读取当前设备
while True:
ret, frame = capture.read() # ret 表示当前图像是否关闭，frame 当前帧
frame = show_lane(frame)
cv2.imshow('frame', frame)
cv2.waitKey(10) # 可以表示当前视频帧率
以上是关于opencv入门项目——车道线检测的主要内容，如果未能解决你的问题，请参考以下文章