第基于OpenCV實(shí)現(xiàn)車道線檢測(cè)(自動(dòng)駕駛機(jī)器視覺(jué))poly_vertices=[poly_vertices[i]foriinorder]

cv2.fillPoly(img,pts=np.array([poly_vertices],'int32'),color=(0,255,0))

returncv2.addWeighted(image,0.7,img,0.4,0.)

defhough_lines(self,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)

line_img=self.slope_lines(line_img,lines)

returnline_img

defweighted_img(self,img,initial_img,alpha=0.1,beta=1.,gamma=0.):

lines_edges=cv2.addWeighted(initial_img,alpha,img,beta,gamma)

returnlines_edges

defget_vertices(self,image):

rows,cols=image.shape[:2]

bottom_left=[cols*0.15,rows]

top_left=[cols*0.45,rows*0.6]

bottom_right=[cols*0.95,rows]

top_right=[cols*0.55,rows*0.6]

ver=np.array([[bottom_left,top_left,top_right,bottom_right]],dtype=32)

returnver

4.6HoughLinesP檢測(cè)原理

接下來(lái)進(jìn)入代碼環(huán)節(jié)，學(xué)長(zhǎng)詳細(xì)給大家解釋一下HoughLinesP參數(shù)的含義以及如何使用。

lines=cv2.HoughLinesP(cropped_image,2,np.pi/180,100,np.array([]),minLineLength=40,maxLineGap=5)

第一參數(shù)是我們要檢查的圖片Houghaccumulator數(shù)組

第二個(gè)和第三個(gè)參數(shù)用于定義我們Hough坐標(biāo)如何劃分bin，也就是小格的精度。我們通過(guò)曲線穿過(guò)bin格子來(lái)進(jìn)行投票，我們根據(jù)投票數(shù)量來(lái)決定p和theta的值。2表示我們小格寬度以像素為單位。

我們可以通過(guò)下圖劃分小格，只要曲線穿過(guò)就會(huì)對(duì)小格進(jìn)行投票，我們記錄投票數(shù)量，記錄最多的作為參數(shù)

如果定義尺寸過(guò)大也就失去精度，如果定義格子尺寸過(guò)小雖然精度上來(lái)了，這樣也會(huì)打來(lái)增長(zhǎng)計(jì)算時(shí)間。

接下來(lái)參數(shù)100表示我們投票為100以上的線才是符合要求是我們要找的線。也就是在bin小格子需要有100以上線相交于此才是我們要找的參數(shù)。

minLineLength給40表示我們檢查線長(zhǎng)度不能小于40pixel

maxLineGap=5作為線間斷不能大于5pixel

4.6.1定義顯示車道線方法

defdisply_lines(image,lines):

pass

通過(guò)定義函數(shù)將找到的車道線顯示出來(lái)。

line_image=disply_lines(lane_image,lines)

4.6.2查看探測(cè)車道線數(shù)據(jù)結(jié)構(gòu)

defdisply_lines(image,lines):

line_image=np.zeros_like(image)

iflinesisnotNone:

forlineinlines:

print(line)

先定義一個(gè)尺寸大小和原圖一樣的矩陣用于繪制查找到車道線，我們先判斷一下是否已經(jīng)找到車道線，lines返回值應(yīng)該不為None是一個(gè)矩陣，我們可以簡(jiǎn)單地打印一下看一下效果

[[704418927641]]

[[704426791516]]

[[320703445494]]

[[585301663381]]

[[630341670383]]

4.6.3探測(cè)車道線

看數(shù)據(jù)結(jié)構(gòu)[[x1,y1,x2,y2]]的二維數(shù)組，這就需要我們轉(zhuǎn)換一下為一維數(shù)據(jù)[x1,y1,x2,y2]

defdisply_lines(image,lines):

line_image=np.zeros_like(image)

iflinessisnotNone:

forlineinlines:

x1,y1,x2,y2=line.reshape(4)

cv2.line(line_image,(x1,y1),(x2,y2),(255,0,0),10)

returnline_image

line_image=disply_lines(lane_image,lines)

cv2.imshow('result',line_image)

4.6.4合成

有關(guān)合成圖片我們是將兩張圖片通過(guò)給一定權(quán)重進(jìn)行疊加合成。

4.6.5優(yōu)化

探測(cè)到的車道線還是不夠平滑，我們需要優(yōu)化，基本思路就是對(duì)這些直線的斜率和截距取平均值然后將所有探測(cè)出點(diǎn)繪制到一條直線上。

defaverage_slope_intercept(image,lines):

left_fit=[]

right_fit=[]

forlineinlines:

x1,y1,x2,y2=line.reshape(4)

parameters=np.polyfit((x1,x2),(y1,y2),1)

print(parameters)

這里學(xué)長(zhǎng)定義兩個(gè)數(shù)組left_fit和right_fit分別用于存放左右兩側(cè)車道線的點(diǎn)