江苏龙网

  1. 主页 > 生活百科 > >

无人驾驶项目实战：使用OpenCV进行实时车道检测( 二 )

无人驾驶


车道检测的图像预处理我们将首先对输入视频中的所有帧应用蒙版 。然后，我们将应用图像阈值处理，然后进行霍夫线变换来检测车道标记 。
图像阈值处理
在该方法中，我们基于一个阈值，将灰度图像的像素值分配为黑色或者白色 。如果像素的值大于阈值，则为其分配一个值（黑色或白色），否则为另一个颜色 。
如你在上方所见，在对蒙版图像应用阈值设置后，我们在输出的图像中只留下了车道标记 。现在，我们可以借助霍夫线变换轻松地检测到这些标记 。
霍夫线变换
霍夫变换是一种检测可以数学表示的形状的技术 。
例如，它可以检测矩形，圆形，三角形或直线等形状 。而我们关注的对象是可以表示为线的车道标记 。我非常建议你查阅霍夫变换的资料：
https://opencvpythontutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_houghlines/py_houghlines.html
在执行图像阈值处理后，在图像上应用霍夫线变换，我们将得到以下的输出图像：

无人驾驶项目实战：使用OpenCV进行实时车道检测

文章插图
 
我们需要针对所有帧执行此过程，然后将生成的帧拼接到新视频中 。
在Python中使用OpenCV实现车道检测现在该用Python实现这个车道检测项目了！我建议使用Google Colab，因为构建车道检测系统将需要很大计算力 。
首先，导入所需的库：
import osimport reimport cv2import numpy as npfrom tqdm import tqdm_notebookimport matplotlib.pyplot as plt读取视频帧
我已经从该YouTube视频中采样了一些视频帧 。您可以从此链接下载 。
https://drive.google.com/file/d/1e4cc4zFFna3Owyym6aq7ZXoquHA2l95O/view
# get file names of framescol_frames = os.listdir('frames/')col_frames.sort(key=lambda f: int(re.sub('D', '', f)))# load framescol_images=[]让我们绘制其中一帧：
 # specify frame indexidx = 457# plot frameplt.figure(figsize=(10,10))plt.imshow(col_images[idx][:,:,0], cmap= "gray")
无人驾驶项目实战：使用OpenCV进行实时车道检测

文章插图
 
创建帧蒙版
我们感兴趣的区域是多边形 。我们要掩盖除此区域以外的所有内容 。因此，我们首先必须指定多边形的坐标，然后使用它来准备蒙版：
# create a zero arraystencil = np.zeros_like(col_images[idx][:,:,0])# specify coordinates of the polygonpolygon = np.array([[50,270], [220,160], [360,160], [480,270]])# fill polygon with onescv2.fillConvexPoly(stencil, polygon, 1)# plot polygonplt.figure(figsize=(10,10))plt.imshow(stencil, cmap= "gray")plt.show()
无人驾驶项目实战：使用OpenCV进行实时车道检测

文章插图
 
# Apply polygon as a mask on the frameimg = cv2.bitwise_and(col_images[idx][:,:,0], col_images[idx][:,:,0], mask=stencil)# plot masked frameplt.figure(figsize=(10,10))plt.imshow(img, cmap= "gray")plt.show()
无人驾驶项目实战：使用OpenCV进行实时车道检测

文章插图
 
图像预处理
我们必须对视频帧执行几个图像预处理操作，以检测所需的车道 。预处理操作为：
1. 图像阈值处理
2. 霍夫线变换
1.图像阈值处理
# get file names of framescol_frames = os.listdir('frames/')col_frames.sort(key=lambda f: int(re.sub('D', '', f)))# load framescol_images=[]
无人驾驶项目实战：使用OpenCV进行实时车道检测

文章插图
 
2. 霍夫线变换
lines = cv2.HoughLinesP(thresh, 1, np.pi/180, 30, maxLineGap=200)# create a copy of the original framedmy = col_images[idx][:,:,0].copy()# draw Hough linesfor line in lines:x1, y1, x2, y2 = line[0]cv2.line(dmy, (x1, y1), (x2, y2), (255, 0, 0), 3)# plot frameplt.figure(figsize=(10,10))plt.imshow(dmy, cmap= "gray")plt.show()
无人驾驶项目实战：使用OpenCV进行实时车道检测

文章插图
 
现在，我们将所有这些操作应用于每个帧 。我们还将结果帧保存在新目录中：
cnt = 0for img in tqdm_notebook(col_images):# apply frame maskmasked = cv2.bitwise_and(img[:,:,0], img[:,:,0], mask=stencil)# apply image thresholdingret, thresh = cv2.threshold(masked, 130, 145, cv2.THRESH_BINARY)# apply Hough Line Transformationlines = cv2.HoughLinesP(thresh, 1, np.pi/180, 30, maxLineGap=200)dmy = img.copy()# Plot detected linestry:for line in lines:x1, y1, x2, y2 = line[0]cv2.line(dmy, (x1, y1), (x2, y2), (255, 0, 0), 3)cv2.imwrite('detected/'+str(cnt)+'.png',dmy)except TypeError:cv2.imwrite('detected/'+str(cnt)+'.png',img)cnt+= 1


推荐阅读


上一篇：Mybatis打印SQL日志

下一篇：2 人工智能——机器学习免费教程