传统方法（OpenCV）_车道线识别
一、思路
基于OpenCV的库：对视频中的车道线进行识别
1、视频处理：视频读取
2、图像转换：图像转换为灰度图
3、噪声去除：高斯模糊对图像进行去噪，提高边缘检测的准确性
4、边缘检测：Canny算法进行边缘检测，找出图像中边缘
5、区域裁剪：定义ROI（Region of Interest，感兴趣区域），裁剪出这个区域的边缘检测结果
6、直线检测：霍夫变换对ROI区域进行直线检测，找出车道线
7、结果展示：将检测到的车道线画在原图/视频上
二、实施流程：
1. 高斯模糊、Canny边缘检测、霍夫变换
import numpy as np
import cv2
blur_ksize = 5 # 高斯模糊核大小
canny_lthreshold = 50 # Canny边缘检测低阈值
canny_hthreshold = 150 # Canny边缘检测高阈值
# 霍夫变换参数
rho = 1 #rho的步长，即直线到图像原点(0,0)点的距离
theta = np.pi / 180 #theta的范围
threshold = 15 #累加器中的值高于它时才认为是一条直线
min_line_length = 40 #线的最短长度，比这个短的都被忽略
max_line_gap = 20 #两条直线之间的最大间隔，小于此值，认为是一条直线2、定义roi_mask函数，用于保留感兴趣区域，屏蔽掉图像中不需要处理的部分，例如天空、树木等，只保留路面部分，从而提高后续处理的效率和准确性。
#img是输入的图像，verticess是兴趣区的四个点的坐标（三维的数组）
def roi_mask(img, vertices):
mask = np.zeros_like(img) #生成与输入图像相同大小的图像，并使用0填充,图像为黑色
mask_color = 255
cv2.fillPoly(mask, vertices, mask_color) #使用白色填充多边形，形成蒙板
masked_img = cv2.bitwise_and(img, mask) #img&mask，经过此操作后，兴趣区域以外的部分被蒙住了，只留下兴趣区域的图像
return masked_img3、定义draw_lines函数，用于后续对检测到的车道线进行绘制图线。
# 对图像进行画线
def draw_lines(img, lines, color=[255, 255, 0], thickness=2):
for line in lines:
for x1, y1, x2, y2 in line:
cv2.line(img, (x1, y1), (x2, y2), color, thickness)4、定义hough_lines函数，用于通过霍夫变换检测出图像中的直线，然后根据这些直线执行draw_lines函数画出车道线
def hough_lines(img, rho, theta, threshold,
min_line_len, max_line_gap):
lines = cv2.HoughLinesP(img, rho, theta, threshold, np.array([]),
minLineLength=min_line_len,
maxLineGap=max_line_gap)
line_img = np.zeros((img.shape[0], img.shape[1], 3), dtype=np.uint8) #生成绘制直线的绘图板，黑底
# draw_lines(line_img, lines)
draw_lanes(line_img, lines)
return line_img5、定义draw_lanes函数，用于根据霍夫变换检测到的直线，分类、清理、拟合、绘制出车道线
def draw_lanes(img, lines, color=[255, 255, 0], thickness=8):
left_lines, right_lines = [], [] #用于存储左边和右边的直线
for line in lines: #对直线进行分类
for x1, y1, x2, y2 in line:
k = (y2 - y1) / (x2 - x1)
if k < 0:
left_lines.append(line)
else:
right_lines.append(line)
if (len(left_lines) <= 0 or len(right_lines) <= 0):
return img
clean_lines(left_lines, 0.1) #弹出左侧不满足斜率要求的直线
clean_lines(right_lines, 0.1) #弹出右侧不满足斜率要求的直线
left_points = [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line] #提取左侧直线族中的所有的第一个点
left_points = left_points + [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line] #提取左侧直线族中的所有的第二个点
right_points = [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧直线族中的所有的第一个点
right_points = right_points + [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧侧直线族中的所有的第二个点
left_vtx = calc_lane_vertices(left_points, 325, img.shape[0]) #拟合点集，生成直线表达式，并计算左侧直线在图像中的两个端点的坐标
right_vtx = calc_lane_vertices(right_points, 325, img.shape[0]) #拟合点集，生成直线表达式，并计算右侧直线在图像中的两个端点的坐标
cv2.line(img, left_vtx[0], left_vtx[1], color, thickness) #画出左侧直线
cv2.line(img, right_vtx[0], right_vtx[1], color, thickness) #画出右侧直线6、定义clean_lines函数，用于将斜率不满足要求的直线去除，即不进行绘制
#将不满足斜率要求的直线弹出
def clean_lines(lines, threshold):
slope = [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]
while len(lines) > 0:
mean = np.mean(slope) #计算斜率的平均值，因为后面会将直线和斜率值弹出
diff = [abs(s - mean) for s in slope] #计算每条直线斜率与平均值的差值
idx = np.argmax(diff) #计算差值的最大值的下标
if diff[idx] > threshold: #将差值大于阈值的直线弹出
slope.pop(idx) #弹出斜率
lines.pop(idx) #弹出直线
else:
break7、定义calc_lane_vertices函数，用于根据给定的点集拟合一条直线，并计算这条直线在图像中的两个端点的坐标
#拟合点集，生成直线表达式，并计算直线在图像中的两个端点的坐标
def calc_lane_vertices(point_list, ymin, ymax):
x = [p[0] for p in point_list] #提取x
y = [p[1] for p in point_list] #提取y
fit = np.polyfit(y, x, 1) #用一次多项式x=a*y+b拟合这些点，fit是(a,b)
fit_fn = np.poly1d(fit) #生成多项式对象a*y+b
xmin = int(fit_fn(ymin)) #计算这条直线在图像中最左侧的横坐标
xmax = int(fit_fn(ymax)) #计算这条直线在图像中最右侧的横坐标
return [(xmin, ymin), (xmax, ymax)]8、编写主函数。首先读取视频并获取每一帧，如果读取帧失败（即视频已经播放完毕），则跳出循环；接着对读取到的帧进行一系列处理，包括转换为灰度图、高斯模糊、Canny边缘检测、生成ROI掩膜、霍夫直线检测等；然后将处理后的图像与原图融合，得到最终的结果；最后显示结果图像，如果按下Esc键，则跳出循环，即关闭所有窗口
if __name__ == '__main__':
try:
cap = cv2.VideoCapture('./video_1.mp4')
if (cap.isOpened()): # 视频打开成功
flag = 1
else:
flag = 0
num = 0
if (flag):
while (True):
ret,frame = cap.read() # 读取一帧
if ret == False: # 读取帧失败
break
gray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图
blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声
edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测
roi_vtx = np.array([[(0, frame.shape[0]), (460, 325),
(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标，roi_vtx是一个三维的数组
roi_edges = roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板，去掉不感兴趣的区域，保留兴趣区
line_img = hough_lines(roi_edges, rho, theta, threshold,
min_line_length, max_line_gap) #使用霍夫直线检测，并且绘制直线
res_img = cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合
cv2.imshow('meet',res_img)
if cv2.waitKey(30) & 0xFF == 27:
break
cv2.waitKey(0)
cv2.destroyAllWindows()
except:
pass# 使用环境dlcv/001
#1、
import numpy as np
import cv2
blur_ksize = 5 # 高斯模糊核大小
canny_lthreshold = 50 # Canny边缘检测低阈值
canny_hthreshold = 150 # Canny边缘检测高阈值
# 霍夫变换参数
rho = 1 # rho的步长，即直线到图像原点(0,0)点的距离
theta = np.pi / 180 # theta的范围
threshold = 15 # 累加器中的值高于它时才认为是一条直线
min_line_length = 40 # 线的最短长度，比这个短的都被忽略
max_line_gap = 20 # 两条直线之间的最大间隔，小于此值，认为是一条直线
#2、
#img是输入的图像，verticess是兴趣区的四个点的坐标（三维的数组）
def roi_mask(img, vertices):
mask = np.zeros_like(img) #生成与输入图像相同大小的图像，并使用0填充,图像为黑色
mask_color = 255
cv2.fillPoly(mask, vertices, mask_color) #使用白色填充多边形，形成蒙板
masked_img = cv2.bitwise_and(img, mask) #img&mask，经过此操作后，兴趣区域以外的部分被蒙住了，只留下兴趣区域的图像
return masked_img
#3、
# 对图像进行画线
def draw_lines(img, lines, color=[255, 255, 0], thickness=2):
for line in lines:
for x1, y1, x2, y2 in line:
cv2.line(img, (x1, y1), (x2, y2), color, thickness)
#4、
def hough_lines(img, rho, theta, threshold,
min_line_len, max_line_gap):
lines = cv2.HoughLinesP(img, rho, theta, threshold, np.array([]),
minLineLength=min_line_len,
maxLineGap=max_line_gap)
line_img = np.zeros((img.shape[0], img.shape[1], 3), dtype=np.uint8) #生成绘制直线的绘图板，黑底
# draw_lines(line_img, lines)
draw_lanes(line_img, lines)
return line_img
#5、
def draw_lanes(img, lines, color=[255, 255, 0], thickness=8):
left_lines, right_lines = [], [] # 用于存储左边和右边的直线
for line in lines: # 对直线进行分类
for x1, y1, x2, y2 in line:
k = (y2 - y1) / (x2 - x1)
if k < 0:
left_lines.append(line)
else:
right_lines.append(line)
if (len(left_lines) <= 0 or len(right_lines) <= 0):
return img
clean_lines(left_lines, 0.1) # 弹出左侧不满足斜率要求的直线
clean_lines(right_lines, 0.1) # 弹出右侧不满足斜率要求的直线
left_points = [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line] # 提取左侧直线族中的所有的第一个点
left_points = left_points + [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line] # 提取左侧直线族中的所有的第二个点
right_points = [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line] # 提取右侧直线族中的所有的第一个点
right_points = right_points + [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line] # 提取右侧侧直线族中的所有的第二个点
left_vtx = calc_lane_vertices(left_points, 325, img.shape[0]) # 拟合点集，生成直线表达式，并计算左侧直线在图像中的两个端点的坐标
right_vtx = calc_lane_vertices(right_points, 325, img.shape[0]) # 拟合点集，生成直线表达式，并计算右侧直线在图像中的两个端点的坐标
cv2.line(img, left_vtx[0], left_vtx[1], color, thickness) # 画出左侧直线
cv2.line(img, right_vtx[0], right_vtx[1], color, thickness) # 画出右侧直线
#6、
#将不满足斜率要求的直线弹出
def clean_lines(lines, threshold):
slope = [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]
while len(lines) > 0:
mean = np.mean(slope) #计算斜率的平均值，因为后面会将直线和斜率值弹出
diff = [abs(s - mean) for s in slope] #计算每条直线斜率与平均值的差值
idx = np.argmax(diff) #计算差值的最大值的下标
if diff[idx] > threshold: #将差值大于阈值的直线弹出
slope.pop(idx) #弹出斜率
lines.pop(idx) #弹出直线
else:
break
#7、
#拟合点集，生成直线表达式，并计算直线在图像中的两个端点的坐标
def calc_lane_vertices(point_list, ymin, ymax):
x = [p[0] for p in point_list] #提取x
y = [p[1] for p in point_list] #提取y
fit = np.polyfit(y, x, 1) #用一次多项式x=a*y+b拟合这些点，fit是(a,b)
fit_fn = np.poly1d(fit) #生成多项式对象a*y+b
xmin = int(fit_fn(ymin)) #计算这条直线在图像中最左侧的横坐标
xmax = int(fit_fn(ymax)) #计算这条直线在图像中最右侧的横坐标
return [(xmin, ymin), (xmax, ymax)]
#8、
if __name__ == '__main__':
try:
cap = cv2.VideoCapture('1.mp4')
if (cap.isOpened()): # 视频打开成功
flag = 1
else:
flag = 0
num = 0
if (flag):
while (True):
ret,frame = cap.read() # 读取一帧
if ret == False: # 读取帧失败
break
gray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图
blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声
edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测
roi_vtx = np.array([[(0, frame.shape[0]), (460, 325),
(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标，roi_vtx是一个三维的数组
roi_edges = roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板，去掉不感兴趣的区域，保留兴趣区
line_img = hough_lines(roi_edges, rho, theta, threshold,
min_line_length, max_line_gap) #使用霍夫直线检测，并且绘制直线
res_img = cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合
cv2.imshow('meet',res_img)
if cv2.waitKey(30) & 0xFF == 27:
break
cv2.waitKey(0)
cv2.destroyAllWindows()
except:
pass
# 使用环境dlcv/001
from moviepy.editor import VideoFileClip
import cv2
import numpy as np
# 高斯滤波核大小
blur_ksize = 5
# Canny边缘检测高低阈值
canny_lth = 50
canny_hth = 150
# 霍夫变换参数
rho = 1
theta = np.pi / 180
threshold = 15
min_line_len = 40
max_line_gap = 20
def process_an_image(img):
# 1. 灰度化、滤波和Canny
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 1)
edges = cv2.Canny(blur_gray, canny_lth, canny_hth)
# 2. 标记四个坐标点用于ROI截取
rows, cols = edges.shape
points = np.array([[(0, rows), (460, 325), (520, 325), (cols, rows)]])
# [[[0 540], [460 325], [520 325], [960 540]]]
roi_edges = roi_mask(edges, points)
# 3. 霍夫直线提取
drawing, lines = hough_lines(roi_edges, rho, theta,
threshold, min_line_len, max_line_gap)
# 4. 车道拟合计算
draw_lanes(drawing, lines)
# 5. 最终将结果合在原图上
result = cv2.addWeighted(img, 0.9, drawing, 0.2, 0)
return result
def roi_mask(img, corner_points):
# 创建掩膜
mask = np.zeros_like(img)
cv2.fillPoly(mask, corner_points, 255)
masked_img = cv2.bitwise_and(img, mask)
return masked_img
def hough_lines(img, rho, theta, threshold, min_line_len, max_line_gap):
# 统计概率霍夫直线变换
lines = cv2.HoughLinesP(img, rho, theta, threshold,
minLineLength=min_line_len, maxLineGap=max_line_gap)
# 新建一副空白画布
drawing = np.zeros((img.shape[0], img.shape[1], 3), dtype=np.uint8)
# 画出直线检测结果
# draw_lines(drawing, lines)
return drawing, lines
def draw_lines(img, lines, color=[0, 0, 255], thickness=1):
for line in lines:
for x1, y1, x2, y2 in line:
cv2.line(img, (x1, y1), (x2, y2), color, thickness)
def draw_lanes(img, lines, color=[255, 0, 0], thickness=8):
# a. 划分左右车道
left_lines, right_lines = [], []
for line in lines:
for x1, y1, x2, y2 in line:
k = (y2 - y1) / (x2 - x1)
if k < 0:
left_lines.append(line)
else:
right_lines.append(line)
if (len(left_lines) <= 0 or len(right_lines) <= 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，拟合直线
left_points = [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line]
left_points = left_points + [(x2, y2)
for line in left_lines for x1, y1, x2, y2 in line]
right_points = [(x1, y1)
for line in right_lines for x1, y1, x2, y2 in line]
right_points = right_points + \
[(x2, y2) for line in right_lines for x1, y1, x2, y2 in line]
left_results = least_squares_fit(left_points, 325, img.shape[0])
right_results = least_squares_fit(right_points, 325, img.shape[0])
# 注意这里点的顺序
vtxs = 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, 255, 0), thickness)
# cv2.line(img, right_results[0], right_results[1], (0, 255, 0), thickness)
def clean_lines(lines, threshold):
# 迭代计算斜率均值，排除掉与差值差异较大的数据
slope = [(y2 - y1) / (x2 - x1)
for line in lines for x1, y1, x2, y2 in line]
while len(lines) > 0:
mean = np.mean(slope)
diff = [abs(s - mean) for s in slope]
idx = np.argmax(diff)
if diff[idx] > threshold:
slope.pop(idx)
lines.pop(idx)
else:
break
def least_squares_fit(point_list, ymin, ymax):
# 最小二乘法拟合
x = [p[0] for p in point_list]
y = [p[1] for p in point_list]
# polyfit第三个参数为拟合多项式的阶数，所以1代表线性
fit = np.polyfit(y, x, 1)
fit_fn = np.poly1d(fit) # 获取拟合的结果
xmin = int(fit_fn(ymin))
xmax = int(fit_fn(ymax))
return [(xmin, ymin), (xmax, ymax)]
# 主函数：
if __name__ == "__main__":
output = 'output4.mp4'
# cap = cv2.VideoCapture('3.mp4')
clip = VideoFileClip("4.mp4")
out_clip = clip.fl_image(process_an_image)
out_clip.write_videofile(output, audio=False)
# #8、
# if __name__ == '__main__':
# try:
# cap = cv2.VideoCapture('3.mp4')
# if (cap.isOpened()): # 视频打开成功
# flag = 1
# else:
# flag = 0
# num = 0
# if (flag):
# while (True):
# ret,frame = cap.read() # 读取一帧
# if ret == False: # 读取帧失败
# break
# gray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图
# blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声
# edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测
# roi_vtx = np.array([[(0, frame.shape[0]), (460, 325),
# (520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标，roi_vtx是一个三维的数组
# roi_edges = roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板，去掉不感兴趣的区域，保留兴趣区
# line_img = hough_lines(roi_edges, rho, theta, threshold,
# min_line_length, max_line_gap) #使用霍夫直线检测，并且绘制直线
# res_img = cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合
# cv2.imshow('meet',res_img)
# if cv2.waitKey(30) & 0xFF == 27:
# break
# cv2.waitKey(0)
# cv2.destroyAllWindows()
# except:
# pass原文地址：https://blog.csdn.net/m0_60657960/article/details/137556836
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！