做自动驾驶，车道线数据集哪里下载？

Posted 2023-04-22

参考技术A

LaneNet车道线检测使用的是Tusimple数据集，下载地址如下

车道线数据集下载

参考技术B

有些车道线数据集是公开可用的，可以从以下网站进行下载：

Udacity开放自动驾驶数据集：https://github.com/udacity/self-driving-car/tree/master/annotations

Kitti数据集：http://www.cvlibs.net/datasets/kitti/raw_data.php

ApolloScape数据集：http://apolloscape.auto/supported.html

TuSimple数据集：https://github.com/TuSimple/tusimple-benchmark

这些数据集提供了不同的场景和条件下的车道线数据，可以用于训练和测试自动驾驶算法。请注意，这些数据集可能会受到许可证限制，因此在使用前请确保遵守相应的规定。

数据处理方面，曼孚科技作为一家专业的自动驾驶数据标注服务商，旗下自研平台MindFlow SEED平台可实现全场景数据标注，上百种标注工具满足图像、视频、点云、文本等多类型标注曼孚科技官网

自动驾驶之——初级车道线检测

在介绍计算机视觉技术前，我想先讨论一下这次分享的输入和输出。

输入

一张摄像机拍摄到的道路图片，图片中需要包含车道线。如下图所示。

输出

图像坐标系下的左右车道线的直线方程和有效距离。将左右车道线的方程绘制到原始图像上，应如下图所示。

在输入和输出都定义清楚后，我们就开始使用计算机视觉技术，一步步完成对原始图像的处理。

原始图像

认识图像前，我们需要先回顾一下在初中所学的物理知识——光的三原色，光的三原色分别是红色（Red）、绿色（Green）和蓝色（Blue）。通过不同比例的三原色组合形成不同的可见光色。如下图所示。

图片出处：https://zhidao.baidu.com/question/197911511.html

图像中的每个像素点都是由RGB（红绿蓝）三个颜色通道组成。为了方便描述RGB颜色模型，在计算机中约束了每个通道由暗到亮的范围是0~255。

当某个像素点的R通道数值为255，G和B通道数值为0时，实际表现出的颜色就是最亮的红色；当某个像素点的RGB三通道都为255时，所表示的是最亮的白色；当某个像素点的RGB三通道都为0时，就会显示最暗的黑色。在RGB颜色模型中，不会有比[255,255,255]的组合更亮的颜色了。

根据以上理论基础，一幅彩色图像，其实就是由三幅单通道的图像叠加，如下图所示。

图片出处：Udacity无人驾驶工程师

以基于python的OpenCV为例，读取名为test_img.jpg的图片到计算机内存中的代码如下：

import cv2

img = cv2.imread('image_name.jpg')

读取图像后，我们可以将图像看做一个二维数组，每个数组元素中存了三个值，分别是RGB三个通道所对应的数值。

OpenCV定义了，图像的原点（0，0）在图片的左上角，横轴为X，朝右，纵轴为Y，朝下，如下图所示。

需要注意的是，由于OpenCV的早期开发者习惯于使用BGR顺序的颜色模型，因此使用OpenCV的imread()读到的像素，每个像素的排列是按BGR，而不是常见的RGB，代码编写时需要注意。

灰度处理

考虑到处理三个通道的数据比较复杂，我们先将图像进行灰度化处理，灰度化的过程就是将每个像素点的RGB值统一成同一个值。灰度化后的图像将由三通道变为单通道，单通道的数据处理起来就会简单许多。

通常这个值是根据RGB三通道的数值进行加权计算得到。人眼对RGB颜色的敏感度不同，对绿色最敏感，权值较高，对蓝色最不敏感，权值较低。

坐标为(x,y)的像素点进行灰度化操作的具体计算公式如下：

调用OpenCV中提供的cvtColor()函数，能够方便地对图像进行灰度处理

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 由于使用cv2.imread()读到的img的数据排列为BGR，因此这里的参数为BGR2GRAY

灰度处理后的图像如下图所示：

边缘提取

为了突出车道线，我们对灰度化后的图像做边缘处理。“边缘”就是图像中明暗交替较为明显的区域。车道线通常为白色或黄色，地面通常为灰色或黑色，因此车道线的边缘处会有很明显的明暗交替。

常用的边缘提取算法有Canny算法和Sobel算法，它们只是计算方式不同，但实现的功能类似。可以根据实际要处理的图像，选择算法。哪种算法达到的效果更好，就选哪种。

以Canny算法为例，选取特定的阈值后，对灰度图像进行处理，即可得到的边缘提取的效果图。

low_threshold = 40

high_threshold = 150

canny_image = cv2.Canny(gray, low_threshold, high_threshold)

感兴趣区域选择

边缘提取完成后，需要检测的车道线被凸显出来了。为了实现自车所在车道的车道线检测，我们需要将感兴趣的区域（Region of Interest）提取出来。提取感兴趣区域最简单的方式就是“截取”。

首先选定一个感兴趣区域，比如下图所示的蓝色三角形区域。对每个像素点的坐标值进行遍历，如果发现当前点的坐标不在三角区域内，则将该点涂“黑”，即将该点的像素值置为0。

为了实现截取功能，可以封装一下OpenCV的部分函数，定义一个region_of_interest函数：

def region_of_interest(img, vertices):

    #定义一个和输入图像同样大小的全黑图像mask，这个mask也称掩膜

    #掩膜的介绍，可参考：https://www.cnblogs.com/skyfsm/p/6894685.html

    mask = np.zeros_like(img)

    #根据输入图像的通道数，忽略的像素点是多通道的白色，还是单通道的白色

    if len(img.shape) > 2:

        channel_count = img.shape[2]  # i.e. 3 or 4 depending on your image

        ignore_mask_color = (255,) * channel_count

    else:

        ignore_mask_color = 255

    #[vertices]中的点组成了多边形，将在多边形内的mask像素点保留，

    cv2.fillPoly(mask, [vertices], ignore_mask_color)

    #与mask做"与"操作，即仅留下多边形部分的图像

    masked_image = cv2.bitwise_and(img, mask)

    return masked_image

源码出自：https://github.com/udacity/CarND-LaneLines-P1/blob/master/P1.ipynb

封装完函数后，我们将感兴趣的区域输入，实现边缘提取后的图像的截取。

#图像像素行数 rows = canny_image .shape[0]  540行

#图像像素列数 cols = canny_image .shape[1]  960列

left_bottom = [0, canny_image .shape[0]]

right_bottom = [canny_image .shape[1], canny_image .shape[0]]

apex = [canny_image .shape[1]/2, 310]

vertices = np.array([ left_bottom, right_bottom, apex ], np.int32)

roi_image = region_of_interest(canny_image, vertices)

截取后的图像入下图所示：

霍夫变换

经过灰度处理、边缘检测、感兴趣区域截取后，我们终于将左右车道线从复杂的图像中提取出来了。接下来，我们使用霍夫变换来提取图像中的直线（段）。

霍夫变换是一种特征检测方法，其原理和推导过程可以参看经典霍夫变换（Hough Transform）https://blog.csdn.net/yuyuntan/article/details/80141392。

在图像中使用霍夫变换不仅能够识别图像中的直线，还能识别出图像中的圆、椭圆等特征。OpenCV为我们提供了霍夫变换检测直线的函数，可以通过设置不同的参数，检测不同长度的线段。由于车道线存在虚线的可能，因此线段的检测长度不能设置地太长，否则短线段会被忽略掉。

OpenCV的霍夫变换直线检测函数使用方法如下：

rho = 2 # distance resolution in pixels of the Hough grid

theta = np.pi/180 # angular resolution in radians of the Hough grid

threshold = 15     # minimum number of votes (intersections in Hough grid cell)

min_line_length = 40 #minimum number of pixels making up a line

max_line_gap = 20    # maximum gap in pixels between connectable line segments

# Hough Transform 检测线段，线段两个端点的坐标存在lines中

lines = cv2.HoughLinesP(roi_image, rho, theta, threshold, np.array([]),

min_line_length, max_line_gap)

封装一个绘图函数，实现把线段绘制在图像上的功能，以实现线段的可视化

def draw_lines(img, lines, color=[255, 0, 0], thickness=2):

    for line in lines:

        for x1,y1,x2,y2 in line:

            cv2.line(img, (x1, y1), (x2, y2), color, thickness) # 将线段绘制在img上

将得到线段绘制在原始图像上

import numpy as np

line_image = np.copy(img) # 复制一份原图，将线段绘制在这幅图上

draw_lines(line_image, lines, [255, 0, 0], 6)

结果如下图：

可以看出，虽然右车道线的线段不连续，但已经很接近我们想要的输出结果了。

数据后处理

霍夫变换得到的一系列线段结果跟我们的输出结果还是有些差异。为了解决这些差异，需要对我们检测到的数据做一定的后处理操作。

实现以下两步后处理，才能真正得到我们的输出结果。

1.计算左右车道线的直线方程

根据每个线段在图像坐标系下的斜率，判断线段为左车道线还是右车道线，并存于不同的变量中。随后对所有左车道线上的点、所有右车道线上的点做一次最小二乘直线拟合，得到的即为最终的左、右车道线的直线方程。

2.计算左右车道线的上下边界

考虑到现实世界中左右车道线一般都是平行的，所以可以认为左右车道线上最上和最下的点对应的y值，就是左右车道线的边界。

基于以上两步数据后处理的思路，我们重新定义draw_lines()函数，将数据后处理过程写入该函数中。

def draw_lines(img, lines, color=[255, 0, 0], thickness=2):

    left_lines_x = []

    left_lines_y = []

    right_lines_x = []

    right_lines_y = []

    line_y_max = 0

    line_y_min = 999

    for line in lines:

        for x1,y1,x2,y2 in line:

            if y1 > line_y_max:

                line_y_max = y1

            if y2 > line_y_max:

                line_y_max = y2

            if y1 < line_y_min:

                line_y_min = y1

            if y2 < line_y_min:

                line_y_min = y2

            k = (y2 - y1)/(x2 - x1)

            if k < -0.3:

                left_lines_x.append(x1)

                left_lines_y.append(y1)

                left_lines_x.append(x2)

                left_lines_y.append(y2)

            elif k > 0.3:

                right_lines_x.append(x1)

                right_lines_y.append(y1)

                right_lines_x.append(x2)

                right_lines_y.append(y2)

    #最小二乘直线拟合

    left_line_k, left_line_b = np.polyfit(left_lines_x, left_lines_y, 1)

    right_line_k, right_line_b = np.polyfit(right_lines_x, right_lines_y, 1)

    #根据直线方程和最大、最小的y值反算对应的x

    cv2.line(img,

    (int((line_y_max - left_line_b)/left_line_k), line_y_max),

    (int((line_y_min - left_line_b)/left_line_k), line_y_min),

    color, thickness)

    cv2.line(img,

    (int((line_y_max - right_line_b)/right_line_k), line_y_max),

    (int((line_y_min - right_line_b)/right_line_k), line_y_min),

    color, thickness)

根据对线段的后处理，即可得到符合输出要求的两条直线方程的斜率、截距和有效长度。将后处理后的结果绘制在原图上，如下图所示：

处理视频

视频其实就是一帧帧连续不断的图像，使用读取视频的库，将视频截取成一帧帧图像，然后使用上面的灰度处理、边缘提取、感兴趣区域选择、霍夫变换和数据后处理，得到车道线检测结果，再将图片结果拼接成视频，就完成了视频中的车道线检测。

利用前文提到的车道线检测算法得到的视频处理结果如下：

视频可以看出，当汽车在下坡时，车头会发生俯仰，造成感兴趣区域的变化，因此检测到的有效长度有所变化。可见本算法需要针对车辆颠簸的场景进行优化。

以上就是《初识图像之初级车道线检测》的全部内容，关于这个项目的全部内容，可以在优达学城（Udacity）无人驾驶工程师学位首页试听，建议读者亲身学习一遍。

在实际编写车道线检测代码的过程中，你会发现，每一步都需要调很多参数，才能满足后续算法的处理要求。可见，本算法无法应用在不同光照条件的场景中，鲁棒性较差；同时，由于霍夫变换检测直线本身的缺陷，面对弯道场景时，无法很好地将弯道检测出来。

芝麻们的问卷调查

duang的一下，

我们就到了2019年

智车科技已经陪你走过n多日夜啦

智车科技一步步从稚嫩走向成熟

希望通过自己的成长给粉丝带来最好的体验

成为小伙伴们生活工作中坚实的依靠~

智车科技能够长远前行

靠的就是各位“芝麻”（小智的粉丝爱称）的关怀~~

今天，小智再次静心和芝麻们交流

想要问问各位

我们的前进还需要什么？

你可以通过扫码二维码来填写报名表单

小智期待“芝麻”们的热情回复~

推荐阅读

▼

▎本文来源：自动驾驶干货铺，智车科技（IV_Technology）整理编辑，转载请注明来源。如有侵权请第一时间联系我们。