实战使用 OpenCV 的自动驾驶汽车车道检测(附代码)

一、边缘检测

我们将使用 Canny 进行边缘检测。如果你不确定这是什么，请查阅相关资料，对于后文的阅读会有帮助。

def canyEdgeDetector(image):
    edged = cv2.Canny(image, 50, 150)
    return edged

二、定义ROI

驾驶时，为了让汽车保持在车道上，只关注当前道路的下一个100米。此外，也不关心分隔线另一侧的道路。这就是我们定义的区域。我们隐藏图像中不必要的细节，只显示有助于我们找到车道的区域。

def getROI(image):
    height = image.shape[0]
    width = image.shape[1]
    # Defining Triangular ROI: The values will change as per your camera mounts
    triangle = np.array([[(100, height), (width, height), (width-500, int(height/1.9))]])
    # creating black image same as that of input image
    black_image = np.zeros_like(image)
    # Put the Triangular shape on top of our Black image to create a mask
    mask = cv2.fillPoly(black_image, triangle, 255)
    # applying mask on original image
    masked_image = cv2.bitwise_and(image, mask)
    return masked_image

1.我们已经定义了三角形 ROI，其坐标将根据你们在汽车上安装摄像头的位置而变化（尽量只使用图像中实际有助于车道检测的那部分）。

2.我们创建了一个与原始图像形状相同的黑色图像：

3.创建一个蒙版：然后我们使用cv2.fillPoly()将我们的三角形（带有白色线条）放在我们的黑色图像之上以创建一个蒙版。

4. 在我们的原始图像上应用蒙版以获得只有我们的 ROI 的裁剪图像。

此步骤的输出：

三、获取线

下一步是通过 ROI 以获取图像中的所有直线。cv2.HoughLinesP（）可以实现这一目标，此函数返回它可以在输入图像中找到的所有直线的列表，每条线由 [x1, y1, x2, y2] 表示。

def getLines(image):
    lines = cv2.HoughLinesP(image, 0.3, np.pi/180, 100, np.array([]), minLineLength=70, maxLineGap=20)
    return lines

cv2.HoughLinesP() 的参数必须根据要求进行调整（尝试更改和调试最适合方法）。但我们认为上面的方法在大多数情况下都应该有效，此步骤的输出如下所示：

四、绘制线条

以下实用程序函数获取图像和线条列表，并在图像上绘制线条。（此步骤不接受来自 Step3 的任何输入。相反，这只是一个将从 Step5 调用的实用步骤，因此首先查看 Step5，并在需要时访问此步骤）。

def displayLines(image, lines):
    if lines is not None:
        for line in lines:
            x1, y1, x2, y2 = line.reshape(4) #converting to 1d array
            cv2.line(image, (x1, y1), (x2, y2), (255, 0, 0), 10)
    return image

我们定义了另一个效用函数来从它的参数（斜率和截距）中获取线坐标。需要注意的是：一条线由y=mx+c表示，其中 m 是斜率，c 是截距。

def getLineCoordinatesFromParameters(image, line_parameters):
    slope = line_parameters[0]
    intercept = line_parameters[1]
    y1 = image.shape[0]  # since line will always start from bottom of image
    y2 = int(y1 * (3.4 / 5))  # some random point at 3/5
    x1 = int((y1 - intercept) / slope)
    x2 = int((y2 - intercept) / slope)
    return np.array([x1, y1, x2, y2])

五、获取平滑的线条

一旦我们从步骤 3 中获得了线条，在这一步中，我们将这些线条分成 2 组（左和右）。如果你们注意到Step3的输出图像，则此步骤会将Line1和Line 2放入左侧组，将Line3放入右侧组。

分组后，我们找到该组的平均斜率（m）和截距（c），并尝试通过调用 getLineCoordinatesFromParameters() 并传递平均值 m 和平均值 c 为每个组创建一条线。

以下是完成所有这些工作的函数：

def getSmoothLines(image, lines):
    left_fit = []  # will hold m,c parameters for left side lines
    right_fit = []  # will hold m,c parameters for right side lines

    for line in lines:
        x1, y1, x2, y2 = line.reshape(4)
        parameters = np.polyfit((x1, x2), (y1, y2), 1)
        slope = parameters[0]
        intercept = parameters[1]

        if slope < 0:
            left_fit.append((slope, intercept))
        else:
            right_fit.append((slope, intercept))

    left_fit_average = np.average(left_fit, axis=0)
    right_fit_average = np.average(right_fit, axis=0)

    # now we have got m,c parameters for left and right line, we need to know x1,y1 x2,y2 parameters
    left_line = getLineCoordinatesFromParameters(image, left_fit_average)
    right_line = getLineCoordinatesFromParameters(image, right_fit_average)
    return np.array([left_line, right_line])

这是线条分组后图像的外观：

六、主要代码

一旦我们准备好了单独的函数，我们只需要在我们的主代码中调用它们，你就会在你的图像中检测到车道。

image = cv2.imread("3.jpg") #Load Image

edged_image = canyEdgeDetector(image)   # Step 1
roi_image = getROI(edged_image)         # Step 2

lines = getLines(roi_image)             # Step 3

smooth_lines = getSmoothLines(image, lines)    # Step 5
image_with_smooth_lines = displayLines(image, smooth_lines) # Step 4

cv2.imshow("Output", image_with_smooth_lines)
cv2.waitKey(0)

输出将如下所示：

Github代码链接：

https://github.com/pdhruv93/computer-vision/tree/main/lane-detection-self-driving