python图像识别马路_OpenCVPython：车道检测

任务&＃xff1a;

一共要完成两项任务&＃xff1a;

1. 在所提供的公路图片上检测出车道线并标记

2. 在所提供的公路视频上检测出车道线并标记

方案&＃xff1a;

要检测出当前车道&＃xff0c;就是要检测出左右两条车道直线。由于无人车一直保持在当前车道&＃xff0c;那么无人车上的相机拍摄视频中&＃xff0c;车道线的位置应该基本固定在某一个范围内&＃xff1a;

如果我们手动把这部分ROI区域抠出来&＃xff0c;就会排除大部分干扰。接下来检测直线肯定用霍夫变换&＃xff0c;但ROI区域内的边缘直线信息还是很多&＃xff0c;考虑到只有左右两条车道&＃xff0c;一条斜率为正、一条斜率为负&＃xff0c;可将所有的线分为两组&＃xff0c;每组再通过均值或最小二乘法拟合的方式确定唯一一条线就可以完成检测。具体步骤如下&＃xff1a;

1. 灰度化

2. 高斯模糊

3. Canny边缘检测

4. 不规则ROI区域截取

5. 霍夫直线检测

6. 车道计算

对于视频来说&＃xff0c;只要能检测出一幅图&＃xff0c;后面将图像合成一下即可。

图像预处理

灰度化和滤波操作是大部分图像处理的必要步骤。灰度化是因为不需要色彩信息&＃xff0c;可以减少计算量。而滤波会削弱图像噪点&＃xff0c;排除干扰信息。另外&＃xff0c;边缘提取是基于图像梯度的&＃xff0c;梯度对噪声很敏感&＃xff0c;所以平滑操作必不可少。

这里我们用分模块来写&＃xff0c;方便调用&＃xff1a;

import cv2

import numpyasnp

# 高斯滤波核大小

blur_ksize&＃61; 5# Canny边缘检测高低阈值

canny_lth&＃61; 50canny_hth&＃61; 150def process_an_image(img):

#1. 灰度化、滤波和Canny

gray&＃61;cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

blur_gray&＃61; cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 1)

edges&＃61;cv2.Canny(blur_gray, canny_lth, canny_hth)if __name__ &＃61;&＃61; "__main__":

img&＃61; cv2.imread(&＃39;test_pictures/lane.jpg&＃39;)

result&＃61;process_an_image(img)

cv2.imshow("lane", np.hstack((img, result)))

cv2.waitKey(0)

边缘检测结果图

ROI截取

按前面方案中提到的&＃xff0c;只需保留边缘图中红线部分区域用于后续的霍夫直线检测&＃xff0c;其余的都是无用的信息&＃xff1a;

我们可以穿件一个梯形的掩膜&＃xff0c;然后与边缘检测结果图混合运算&＃xff0c;掩膜中白色部分保留&＃xff0c;黑色部分舍弃。梯形的四个坐标需要手动标记&＃xff1a;

def process_an_image(img):

#1. 灰度化、滤波和Canny

#2. 标记四个坐标点用于ROI截取

rows, cols&＃61;edges.shape

points&＃61; np.array([[(0, rows), (460, 325), (520, 325), (cols, rows)]])

# [[[0 540], [460 325], [520 325], [960 540]]]

roi_edges&＃61;roi_mask(edges, points)

def roi_mask(img, corner_points):

# 创建掩膜

mask&＃61;np.zeros_like(img)

cv2.fillPoly(mask, corner_points,255)

masked_img&＃61;cv2.bitwise_and(img, mask)return masked_img

结果图 roi_edges如下&＃xff1a;

只保留关键区域的边缘检测图

霍夫直线提取

为了方便后续计算直线的斜率&＃xff0c;我们使用统计概率霍夫直线变换(因为它能得到直线的起点和终点坐标)&＃xff1a;

# 霍夫变换参数

rho&＃61; 1theta&＃61; np.pi / 180threshold&＃61; 15min_line_len&＃61; 40max_line_gap&＃61; 20def process_an_image(img):

#1. 灰度化、滤波和Canny

#2. 标记四个坐标点用于ROI截取

#3. 霍夫直线提取

drawing, lines&＃61;hough_lines(roi_edges, rho, theta, threshold, min_line_len, max_line_gap)

def hough_lines(img, rho, theta, threshold, min_line_len, max_line_gap):

# 统计概率霍夫直线变换

lines&＃61; cv2.HoughLinesP(img, rho, theta, threshold, minLineLength&＃61;min_line_len, maxLineGap&＃61;max_line_gap)

# 新建一副空白画布

drawing&＃61; np.zeros((img.shape[0], img.shape[1], 3), dtype&＃61;np.uint8)

# draw_lines(drawing, lines) # 画出直线检测结果returndrawing, lines

def draw_lines(img, lines, color&＃61;[0, 0, 255], thickness&＃61;1):for line inlines:for x1, y1, x2, y2 inline:

cv2.line(img, (x1, y1), (x2, y2), color, thickness)

draw_lines()用来画直线检测的结果&＃xff0c;后面我们会接着处理直线&＃xff0c;所以这里注释掉了。可以取消注释看看效果&＃xff1a;

霍夫变换结果图

对本例的这张测试图来说&＃xff0c;如果打印出直线的条数print(len(lines))&＃xff0c;应该是16条

车道计算

前面通过霍夫变换得到了多条直线的地点和终点&＃xff0c;我们的目的是通过某种算法只得到左右两条车道线

第一步、 根据斜率正负划分某条线是左车道还是右车道。

其中左车道(斜率 <0)&＃xff0c;右车道(斜率 > 0)。原因如下图所示&＃xff1a;

左车道与图像坐标系成钝角&＃xff0c;斜率为负&＃xff0c;右车道与图像坐标系成锐角&＃xff0c;斜率为正。

第二步、迭代计算各直线斜率与斜率均值的差&＃xff0c;排除掉差值过大的异常数据

第一次计算完斜率均值并排除掉异常值后&＃xff0c;再在剩余的斜率中取均值&＃xff0c;继续排除。一直迭代下去。

第三步、最小二乘法拟合左右车道线

经过第二步的筛选&＃xff0c;就只剩下可能的左右车道线了。我们需要从多条直线中拟合出一条。使用最小二乘法&＃xff0c;它通过最小化误差的平方和来寻找数据的最佳匹配函数。

假设目前可能的左车道线有6条&＃xff0c;也就是12个坐标点。

我们的目标是拟合出这样一条直线&＃xff1a;

使得误差平方和最小&＃xff1a;

Python中可以直接使用 np.polyfit() 进行最小二乘法拟合

def process_an_image(img):

#1. 灰度化、滤波和Canny

#2. 标记四个坐标点用于ROI截取

#3. 霍夫直线提取

#4. 车道拟合计算

draw_lanes(drawing, lines)

#5. 最终将结果合在原图上

result&＃61; cv2.addWeighted(img, 0.9, drawing, 0.2, 0)returnresult

def draw_lanes(img, lines, color&＃61;[255, 0, 0], thickness&＃61;8):

# a. 划分左右车道

left_lines, right_lines&＃61;[], []for line inlines:for x1, y1, x2, y2 inline:

k&＃61; (y2 - y1) / (x2 -x1)if k <0:

left_lines.append(line)else:

right_lines.append(line)if (len(left_lines) <&＃61; 0 or len(right_lines) <&＃61; 0):return# b. 清理异常数据

clean_lines(left_lines,0.1)

clean_lines(right_lines,0.1)

# c. 得到左右车道线点的集合&＃xff0c;拟合直线

left_points&＃61; [(x1, y1) for line in left_lines for x1, y1, x2, y2 inline]

left_points&＃61; left_points &＃43; [(x2, y2) for line in left_lines for x1, y1, x2, y2 inline]

right_points&＃61; [(x1, y1) for line in right_lines for x1, y1, x2, y2 inline]

right_points&＃61; right_points &＃43; [(x2, y2) for line in right_lines for x1, y1, x2, y2 inline]

left_results&＃61; least_squares_fit(left_points, 325, img.shape[0])

right_results&＃61; least_squares_fit(right_points, 325, img.shape[0])

# 注意这里点的顺序

vtxs&＃61; np.array([[left_results[1], left_results[0], right_results[0], right_results[1]]])

# d. 填充车道区域

cv2.fillPoly(img, vtxs, (0, 255, 0))

# 或者只画车道线

# cv2.line(img, left_results[0], left_results[1], (0, 0, 255), thickness)

# cv2.line(img, right_results[0], right_results[1], (0, 0, 255), thickness)

def clean_lines(lines, threshold):

# 迭代计算斜率均值&＃xff0c;排除掉与差值差异较大的数据

slope&＃61; [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 inline]while len(lines) > 0:

mean&＃61;np.mean(slope)

diff&＃61; [abs(s - mean) for s inslope]

idx&＃61;np.argmax(diff)if diff[idx] >threshold:

slope.pop(idx)

lines.pop(idx)else:breakdef least_squares_fit(point_list, ymin, ymax):

# 最小二乘法拟合

x&＃61; [p[0] for p inpoint_list]

y&＃61; [p[1] for p inpoint_list]

# polyfit第三个参数为拟合多项式的阶数&＃xff0c;所以1代表线性

fit&＃61; np.polyfit(y, x, 1)

fit_fn&＃61;np.poly1d(fit) # 获取拟合的结果

xmin&＃61; int(fit_fn(ymin))

xmax&＃61; int(fit_fn(ymax))return [(xmin, ymin), (xmax, ymax)]

最后得到的是左右两条车道线的起点和终点坐标。可以选择画出车道线&＃xff0c;也可以填充整个区域&＃xff1a;

画出车道线的效果不是很好&＃xff0c;还是选用填充比较直观。

视频处理

搞定了一张图&＃xff0c;视频的话也就没什么难度了。关键是视频帧的提取和合成&＃xff0c;为此我们需要用到Python的视频编辑包 moviepy&＃xff1a;

pip install moviepy

另外还需要 ffmpeg&＃xff0c;首次运行moviepy时会自动下载。也可手动下载。建议手动下载&＃xff0c;不知为什么&＃xff0c;博主自动下载老是失败。ffmpeg-win32-v3.2.4.exe

只需要在开头导入 moviepy&＃xff0c;然后主函数改掉就可以了&＃xff0c;其余代码不需要修改&＃xff1a;

# 开头导入moviepyfrommoviepy.editor import VideoFileClip

# 主函数更改为&＃xff1a;if __name__ &＃61;&＃61; "__main__":

output&＃61; &＃39;test_videos/output.mp4&＃39;clip&＃61; VideoFileClip("test_videos/cv2_white_lane.mp4")

out_clip&＃61;clip.fl_image(process_an_image)

out_clip.write_videofile(output, audio&＃61;False)