基于opencv的车道检测（附源码&注释）
代码
import cv2 as cv
import numpy as np
def calulate_slope(line):
x_1, y_1, x_2, y_2 = line[0]
return(y_2-y_1)/(x_2-x_1)
road = cv2.imread('road_lr.jpg',cv.IMREAD_GRAYSCALE) #霍夫变化只能读灰度图，'road2.jfif'是filename
color_road = cv2.imread('road_lr.jpg')
# mask = np.zeros_like(color_road) #获取一个与图像相同大小的数组
mask = np.zeros_like(road) #获取一个与图像相同大小的数组
# mask = cv2.fillPoly(mask,
# np.array([[[2,134],[1,116],[197,44],[368,112],[371,134]]]),
# (0,255,255)) # 写上掩码区域，彩色图
mask = cv2.fillPoly(mask,
np.array([[[2,134],[1,116],[197,44],[368,112],[371,134]]]),
255) # 写上掩码，灰度图，我就写255白色
#masked = cv2.bitwise_and(color_road, mask) #布尔运算,第一个是原图，第二个是掩码（彩色图）
masked = cv2.bitwise_and(road, mask) #布尔运算,第一个是原图，第二个是掩码（灰度图）
cv2.imshow('masked',mask) # 展示掩码
cv2.imshow('masked',masked) # 展示布尔运算后的图
edge_img = cv2.Canny(masked,752,318) #canny边沿化 cv2.Canny(road,151,756)
cv2.imshow('cannyed',edge_img)
lines = cv2.HoughLinesP(edge_img,5,np.pi/180,15,minLineLength=20,maxLineGap=10) #霍夫变化参数意义自行查阅
print(lines) #lines的值，长度
length = len(lines)
print(length) #所以一共有407个直线
# cv2.imshow('huofued',lines)
cv2.imshow('name',edge_img)
left_lines = [line for line in lines if calulate_slope(line) > 0]
right_lines = [line for line in lines if calulate_slope(line) < 0] # [line for line in file (file name)]的格式是列表推导式，这个等式是将for循环的结果存储到列表lines中。
def reject_abnormal_lines(lines, thershold):
slopes = [calulate_slope(line) for line in lines]
while len(lines) >0:
mean = np.mean(slopes) #平均值
diff = [abs(s-mean) for s in slopes]
idx = np.argmax(diff)
if diff[idx] > thershold : # 如果我们现有的差值
slopes.pop(idx)
lines.pop(idx)
else:
break
return lines
print( 'before filter')
print(len(left_lines))
print(len(right_lines))
reject_abnormal_lines(left_lines, thershold=0.3) #去除哪些不正常的线段
reject_abnormal_lines(right_lines, thershold=0.3)
print( 'after filter')
print(len(left_lines))
print(len(right_lines))
def least_fit(lines):
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])
poly = np.polyfit(x_coords, y_coords,deg = 1)
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")
left_lane = least_fit(left_lines)
print(least_fit(left_lines))
print("right_lane")
right_lane = least_fit(right_lines)
print(least_fit(right_lines))
cv.line(color_road,tuple(left_lane[0]),tuple(left_lane[1]),(0,255,255),9)
cv.line(color_road,tuple(right_lane[0]),tuple(right_lane[1]),(0,255,255),5)
cv.imshow('road_line',color_road)
cv.waitKey(0)
配套图片
效果图
有关车道检测一些函数的使用方法
二值化函数cv2.threshold()将灰度图二值化：
ret,mask = cv2.threshold(img,175,255,cv2.THRESH_BINARY)
plt.imshow(mask,cmap='gray')
这个函数就是将上图，灰度值大于175的转化为255（白色），小于175的转化为0（黑色）
或者
ret,mask1 = cv2.threshold(masked,175,255,cv2.THRESH_BINARY_INV)
cv2.imshow('thershold',mask1)
参数ret 为True 或者False,代表有没有读取到图片
了解更多请点击：opencv位运算
canny边缘检测
cv2.Canny(image, threshold1, threshold2)
image：源图像
threshold1：阈值1
threshold2：阈值2
其中，较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来
Canny边缘检测分四个阶段：
1.去噪。通过一个5*5的高斯滤波器完成;
2.找图像的密度梯度。听起来有点难懂,实际上就是找“边缘”,边缘两侧图像的亮度一般会相差比较大。通过分别在图像的水平和垂直方向利用Sobel kernel得到两个方向的梯度。
3.过滤非最大值。在高斯滤波中,边缘很有可能被放大了。这个步骤使用一个规则来过滤不是边缘的点,使边缘宽度尽可能是一个像素点。
4.使用两个值域来检测边缘。
我的办法是先建立一个滑动栏，来调试出较好的阈值，再写上去
import cv2 as cv
import numpy as np
def calulate_slope(line):
x_1, y_1, x_2, y_2 = line[0]
return(y_2-y_1)/(x_2-x_1)
def nothing(x):
pass#在我们的例子中，函数什么都不做，所以我们简单地通过。
road = cv2.imread('road_lr.jpg',cv.IMREAD_GRAYSCALE) #霍夫变化只能读灰度图，'road2.jfif'是filename
cv.imshow('road',road)
edge = np.zeros((300,512,3), np.uint8)
cv2.namedWindow('edge')
# cv2.createTrackbar('max','edge',50,1000,lambda x:x)
# cv2.createTrackbar('min','edge',50,1080,lambda x:x)
cv2.createTrackbar('max','edge',50,1000,nothing)
cv2.createTrackbar('min','edge',50,1080,nothing)
# print(edge_dis.shape)
while True:
cv2.imshow('roadname', road)
Min = cv2.getTrackbarPos('min','edge')
Max = cv2.getTrackbarPos('max', 'edge')
edge1 = cv2.Canny(road, Min, Max) # 经验
cv2.imshow('edge', edge1)
cv.waitKey(60) #一定要加！！
cv.waitKey(0)
