Python基于OpenCV的视频车道线检测系统(源码＆部署教程)
由于图床过期，图片无法正常显示，有图阅览请移步以下Gitee/Github网址，文末获取【源码和部署教程】或者通过以下Gitee/Github的文末邮件获取
Gitee(推荐国内访问): https://gitee.com/qunmasj/projects
Github(推荐国外访问): https://github.com/qunshansj?tab=repositories
# 1.图片演示
2.视频演示
Python基于OpenCV的视频车道线检测系统[源码＆部署教程]
3.边缘检测
参考该博客方案，其算法思想如下：
- 使用高斯模糊，去除噪音点（cv2.GaussianBlur）
- 灰度转换（cv2.cvtColor）
- 使用sobel算子，计算出每个点的梯度大小和梯度方向
- 使用非极大值抑制(只有最大的保留)，消除边缘检测带来的杂散效应
- 应用双阈值，来确定真实和潜在的边缘
- 通过抑制弱边缘来完成最终的边缘检测
1.高斯滤波
1 | gaussian = cv2.GaussianBlur(color_img, (gaussian_ksize,gaussian_ksize), gaussian_sigmax) |
color_img 输入图片
gaussian_ksize 高斯核大小，可以为方形矩阵，也可以为矩形
gaussian_sigmax X方向上的高斯核标准偏差
2.图片转换
1 | gray_img = cv2.cvtColor(input_image, flag) |
用于颜色空间转换。input_image为需要转换的图片，flag为转换的类型，返回值为颜色空间转换后的图片矩阵。flag对应：
cv2.COLOR_BGR2GRAY BGR -> Gray
cv2.COLOR_BGR2RGB BGR -> RGB
cv2.COLOR_BGR2HSV BGR -> HSV
可以了解一下该函数和cv2.imread()的区别
3.边缘检测
1 | edge_img = cv2.Canny(gray_img,canny_threshold1,canny_threshold2) |
imag为所操作的图片，threshold1为下阈值，threshold2为上阈值，返回值为边缘图。
4.ROI and mask
利用数组选取ROI(region of interest,感性趣的区域，然后与原图进行布尔运算(与运算)。
1 | poly_pts = numpy.array([[[0,368],[300,210],[340,210],[640,368]]]) |
四个数组创建后保存在变量poly_pts中。
1 | mask = np.zeros_like(gray_img) |
构建一个与gray_img同维度的数组，并初始化所有变量为零。
1 | cv2.fillPoly(mask, pts, color) |
绘制多边形函数。mask为绘制对像，pts为绘制范围，color为绘制颜色。
1 | img_mask = cv2.bitwise_and(gray_img, mask) |
与运算
5.霍夫变换
1 | lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40, maxLineGap=20) |
edge_img: 要检测的图片矩阵
参数2: 距离r的精度,值越大,考虑越多的线
参数3: 距离theta的精度,值越大,考虑越多的线
参数4: 累加数阈值,值越小,考虑越多的线
minLineLength: 最短长度阈值,短于这个长度的线会被排除
maxLineGap:同一直线两点之间的最大距离
返回值::
[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]])]
6.离群值过滤
1 | idx = np.argmax(diff) |
当diff中存放的是一维时，找到diff中最大的数值，并返回该值所在位置。
从列表lines中把第idx数去除
7.车道线标注
1 | cv2.line(img, tuple(line[0]), tuple(line[1]), color,thickness) |
在图片上画线，img为所标注的目标图片，ine[0]为起点坐标，line[1]为终点坐标，thickness为线宽。
注意两个坐标需要为tuple元组格式，即tuple(line[0])
8.系统整合
下图完整源码＆环境部署视频教程
参考博客《Python基于OpenCV的视频车道线检测系统[源码＆部署教程]》
9.参考文献
- [1]基于改进Hough变换的车道线识别[J]. 辛敏,罗山. 山西电子技术. 2021(06)
- [2]基于改进Hough变换的车道线检测[J]. 李后隆,马骊溟,钟林伟. 汽车实用技术. 2021(07)
- [3]基于改进Hough变换与双点去除R-最小二乘法的车道线检测优化算法[J]. 姜立标,李静轩. 科学技术与工程. 2020(05)
- [4]基于改进Hough变换的结构化道路车道线识别[J]. 陈政宏,李爱娟,王希波,葛庆英,韩文尧,刘刚. 科学技术与工程. 2020(26)
- [5]基于叠加约束的Hough变换车道线检测研究[J]. 伍玲玲,林志贤,郭太良. 有线电视技术. 2019(03)
- [6]基于Hough变换的车道线检测算法设计[J]. 何旭光,江磊,罗一平,张伟伟. 农业装备与车辆工程. 2019(11)
- [7]基于Hough变换的车道线检测[J]. 钱怡. 山东工业技术. 2017(10)
- [8]Hough变换的车道线并行检测[J]. 王赛,徐伯庆,苏栋骐. 电子科技. 2015(12)
- [9]一种改进Hough变换的车道线检测算法[J]. 王全. 计算机与数字工程. 2014(11)
- [10]一种基于 Hough 变换的车道线检测新方法[J]. 许宏科,秦严严. 徐州工程学院学报(自然科学版). 2013(04)