OpenCV实战案例——车道线识别

目录

一、首先进行canny边缘检测，为获取车道线边缘做准备

二、进行ROI提取获取确切的车道线边缘（红色线内部）

三、利用概率霍夫变换获取直线，并将斜率正数和复数的线段给分割开来

四、离群值过滤，剔除斜率相差过大的线段

五、最小二乘拟合，实现将左边和右边的线段互相拟合成一条直线，形成车道线

六、绘制线段

全部代码（视频显示）

一、首先进行canny边缘检测，为获取车道线边缘做准备

import cv2

gray_img = cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)
canny_img = cv2.Canny(gray_img,50,100)
cv2.imwrite('canny_img.jpg',canny_img)
cv2.imshow('canny',canny_img)

cv2.waitKey(0)

二、进行ROI提取获取确切的车道线边缘（红色线内部）

方法：在图像中，黑色表示0，白色为1，那么要保留矩形内的白色线，就使用逻辑与，当然前提是图像矩形外也是0，那么就采用创建一个全0图像，然后在矩形内全1，之后与之前的canny图像进行与操作，即可得到需要的车道线边缘。

import cv2
import numpy as np

canny_img = cv2.imread('canny_img.jpg',cv2.IMREAD_GRAYSCALE)
roi = np.zeros_like(canny_img)
roi = cv2.fillPoly(roi,np.array([[[0, 368],[300, 210], [340, 210], [640, 368]]]),color=255)
roi_img = cv2.bitwise_and(canny_img, roi)
cv2.imwrite('roi_img.jpg',roi_img)
cv2.imshow('roi_img',roi_img)
cv2.waitKey(0)

三、利用概率霍夫变换获取直线，并将斜率正数和复数的线段给分割开来

TIPs:使用霍夫变换需要将图像先二值化

概率霍夫变换函数：

• lines=cv2.HoughLinesP(image, rho,theta,threshold,minLineLength, maxLineGap)
• image:图像，必须是8位单通道二值图像
• rho:以像素为单位的距离r的精度，一般情况下是使用1
• theta:表示搜索可能的角度，使用的精度是np.pi/180
• threshold:阈值，该值越小，判定的直线越多，相反则直线越少
• minLineLength:默认为0，控制接受直线的最小长度
• maxLineGap:控制接受共线线段的最小间隔，如果两点间隔超过了参数，就认为两点不在同一直线上，默认为0
• lines:返回值由numpy.ndarray构成，每一对都是一对浮点数，表示线段的两个端点

import cv2
import numpy as np

#计算斜率
def calculate_slope(line):
    x_1, y_1, x_2, y_2 = line[0]
    return (y_2 - y_1) / (x_2 - x_1)

edge_img = cv2.imread('masked_edge_img.jpg', cv2.IMREAD_GRAYSCALE)
#霍夫变换获取所有线段
lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40,
                        maxLineGap=20)

#利用斜率划分线段
left_lines = [line for line in lines if calculate_slope(line) < 0]
right_lines = [line for line in lines if calculate_slope(line) > 0]

四、离群值过滤，剔除斜率相差过大的线段

流程：

• 获取所有的线段的斜率，然后计算斜率的平均值
• 遍历所有斜率，计算和平均斜率的差值，寻找最大的那个斜率对应的直线，如果差值大于阈值，那么就从列表中剔除对应的线段和斜率
• 循环执行操作，直到剩下的全部都是小于阈值的线段

def reject_abnormal_lines(lines, threshold):
    slopes = [calculate_slope(line) for line in lines]
    while len(lines) > 0:
        mean = np.mean(slopes)
        diff = [abs(s - mean) for s in slopes]
        idx = np.argmax(diff)
        if diff[idx] > threshold:
            slopes.pop(idx)
            lines.pop(idx)
        else:
            break
    return lines

reject_abnormal_lines(left_lines, threshold=0.2)
reject_abnormal_lines(right_lines, threshold=0.2)

五、最小二乘拟合，实现将左边和右边的线段互相拟合成一条直线，形成车道线

流程：

• 取出所有的直线的x和y坐标，组成列表，利用np.ravel进行将高维转一维数组
• 利用np.polyfit进行直线的拟合，最终得到拟合后的直线的斜率和截距，类似y=kx+b的（k,b）
• 最终要返回(x_min,y_min,x_max,y_max）的一个np.array的数据，那么就是用np.polyval求多项式的值，举个example，np.polyval([3,0,1], 5) # 3 * 52 + 0 * 51 + 1，即可以获得对应x坐标的y坐标。

def least_squares_fit(lines):
    # 1. 取出所有坐标点
    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])

    # 2. 进行直线拟合.得到多项式系数
    poly = np.polyfit(x_coords, y_coords, deg=1)
    print(poly)
    # 3. 根据多项式系数,计算两个直线上的点,用于唯一确定这条直线
    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")
print(least_squares_fit(left_lines))
print("right lane")
print(least_squares_fit(right_lines))

六、绘制线段

cv2.line(img, tuple(left_line[0]), tuple(left_line[1]), color=(0, 255, 255), thickness=5)
cv2.line(img, tuple(right_line[0]), tuple(right_line[1]), color=(0, 255, 255), thickness=5)

全部代码（视频显示）

import cv2
import numpy as np

def get_edge_img(color_img, gaussian_ksize=5, gaussian_sigmax=1,
                 canny_threshold1=50, canny_threshold2=100):
"""
    灰度化,模糊,canny变换,提取边缘
    :param color_img: 彩色图,channels=3
"""
    gaussian = cv2.GaussianBlur(color_img, (gaussian_ksize, gaussian_ksize),
                                gaussian_sigmax)
    gray_img = cv2.cvtColor(gaussian, cv2.COLOR_BGR2GRAY)
    edges_img = cv2.Canny(gray_img, canny_threshold1, canny_threshold2)
    return edges_img

def roi_mask(gray_img):
"""
    对gray_img进行掩膜
    :param gray_img: 灰度图,channels=1
"""
    poly_pts = np.array([[[0, 368], [300, 210], [340, 210], [640, 368]]])
    mask = np.zeros_like(gray_img)
    mask = cv2.fillPoly(mask, pts=poly_pts, color=255)
    img_mask = cv2.bitwise_and(gray_img, mask)
    return img_mask

def get_lines(edge_img):
"""
    获取edge_img中的所有线段
    :param edge_img: 标记边缘的灰度图
"""

    def calculate_slope(line):
"""
        计算线段line的斜率
        :param line: np.array([[x_1, y_1, x_2, y_2]])
        :return:
"""
        x_1, y_1, x_2, y_2 = line[0]
        return (y_2 - y_1) / (x_2 - x_1)

    def reject_abnormal_lines(lines, threshold=0.2):
"""
        剔除斜率不一致的线段
        :param lines: 线段集合, [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]])]
"""
        slopes = [calculate_slope(line) for line in lines]
        while len(lines) > 0:
            mean = np.mean(slopes)
            diff = [abs(s - mean) for s in slopes]
            idx = np.argmax(diff)
            if diff[idx] > threshold:
                slopes.pop(idx)
                lines.pop(idx)
            else:
                break
        return lines

    def least_squares_fit(lines):
"""
        将lines中的线段拟合成一条线段
        :param lines: 线段集合, [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]])]
        :return: 线段上的两点,np.array([[xmin, ymin], [xmax, ymax]])
"""
        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)

    # 获取所有线段
    lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40,
                            maxLineGap=20)
    # 按照斜率分成车道线
    left_lines = [line for line in lines if calculate_slope(line) > 0]
    right_lines = [line for line in lines if calculate_slope(line) < 0]
    # &#x5254;&#x9664;&#x79BB;&#x7FA4;&#x7EBF;&#x6BB5;
    left_lines = reject_abnormal_lines(left_lines)
    right_lines = reject_abnormal_lines(right_lines)

    return least_squares_fit(left_lines), least_squares_fit(right_lines)

def draw_lines(img, lines):
    left_line, right_line = lines
    cv2.line(img, tuple(left_line[0]), tuple(left_line[1]), color=(0, 255, 255),
             thickness=5)
    cv2.line(img, tuple(right_line[0]), tuple(right_line[1]),
             color=(0, 255, 255), thickness=5)

def show_lane(color_img):
    edge_img = get_edge_img(color_img)
    mask_gray_img = roi_mask(edge_img)
    lines = get_lines(mask_gray_img)
    draw_lines(color_img, lines)
    return color_img

capture = cv2.VideoCapture('video.mp4')
while True:
    ret, frame = capture.read()
    if not ret:
        break
    frame = show_lane(frame)
    cv2.imshow('frame', frame)
    cv2.waitKey(10)

Original: https://blog.csdn.net/weixin_54627824/article/details/127203408
Author: 獜洛橙
Title: OpenCV实战案例——车道线识别