当前位置： 首页 > news >正文

传统方法（OpenCV）_车道线识别

news 2025/8/6 2:57:59

一、思路

基于OpenCV的库：对视频中的车道线进行识别

1、视频处理：视频读取

2、图像转换：图像转换为灰度图

3、噪声去除：高斯模糊对图像进行去噪，提高边缘检测的准确性

4、边缘检测：Canny算法进行边缘检测，找出图像中边缘

5、区域裁剪：定义ROI（Region of Interest，感兴趣区域），裁剪出这个区域的边缘检测结果

6、直线检测：霍夫变换对ROI区域进行直线检测，找出车道线

7、结果展示：将检测到的车道线画在原图/视频上

二、实施流程：

1. 高斯模糊、Canny边缘检测、霍夫变换

import numpy as np
import cv2blur_ksize = 5  # 高斯模糊核大小
canny_lthreshold = 50  # Canny边缘检测低阈值
canny_hthreshold = 150  # Canny边缘检测高阈值
# 霍夫变换参数
rho = 1     #rho的步长，即直线到图像原点(0,0)点的距离
theta = np.pi / 180     #theta的范围
threshold = 15      #累加器中的值高于它时才认为是一条直线
min_line_length = 40    #线的最短长度，比这个短的都被忽略
max_line_gap = 20      #两条直线之间的最大间隔，小于此值，认为是一条直线

2、定义roi_mask函数，用于保留感兴趣区域，屏蔽掉图像中不需要处理的部分，例如天空、树木等，只保留路面部分，从而提高后续处理的效率和准确性。

#img是输入的图像，verticess是兴趣区的四个点的坐标（三维的数组）
def roi_mask(img, vertices):mask = np.zeros_like(img)   #生成与输入图像相同大小的图像，并使用0填充,图像为黑色mask_color = 255cv2.fillPoly(mask, vertices, mask_color)    #使用白色填充多边形，形成蒙板masked_img = cv2.bitwise_and(img, mask) #img&mask，经过此操作后，兴趣区域以外的部分被蒙住了，只留下兴趣区域的图像return masked_img

3、定义draw_lines函数，用于后续对检测到的车道线进行绘制图线。

# 对图像进行画线
def draw_lines(img, lines, color=[255, 255, 0], thickness=2):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness)

4、定义hough_lines函数，用于通过霍夫变换检测出图像中的直线，然后根据这些直线执行draw_lines函数画出车道线

def hough_lines(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) #生成绘制直线的绘图板，黑底# draw_lines(line_img, lines)draw_lanes(line_img, lines)return line_img

5、定义draw_lanes函数，用于根据霍夫变换检测到的直线，分类、清理、拟合、绘制出车道线

def draw_lanes(img, lines, color=[255, 255, 0], thickness=8):left_lines, right_lines = [], []    #用于存储左边和右边的直线for line in lines:      #对直线进行分类for x1, y1, x2, y2 in line:k = (y2 - y1) / (x2 - x1)if k < 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) <= 0 or len(right_lines) <= 0):return imgclean_lines(left_lines, 0.1)    #弹出左侧不满足斜率要求的直线clean_lines(right_lines, 0.1)   #弹出右侧不满足斜率要求的直线left_points = [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line]  #提取左侧直线族中的所有的第一个点left_points = left_points + [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line]    #提取左侧直线族中的所有的第二个点right_points = [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line]    #提取右侧直线族中的所有的第一个点right_points = right_points + [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧侧直线族中的所有的第二个点left_vtx = calc_lane_vertices(left_points, 325, img.shape[0])   #拟合点集，生成直线表达式，并计算左侧直线在图像中的两个端点的坐标right_vtx = calc_lane_vertices(right_points, 325, img.shape[0]) #拟合点集，生成直线表达式，并计算右侧直线在图像中的两个端点的坐标cv2.line(img, left_vtx[0], left_vtx[1], color, thickness)   #画出左侧直线cv2.line(img, right_vtx[0], right_vtx[1], color, thickness) #画出右侧直线

6、定义clean_lines函数，用于将斜率不满足要求的直线去除，即不进行绘制

#将不满足斜率要求的直线弹出
def clean_lines(lines, threshold):slope = [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]while len(lines) > 0:mean = np.mean(slope)   #计算斜率的平均值，因为后面会将直线和斜率值弹出diff = [abs(s - mean) for s in slope]    #计算每条直线斜率与平均值的差值idx = np.argmax(diff)     #计算差值的最大值的下标if diff[idx] > threshold:    #将差值大于阈值的直线弹出slope.pop(idx)  #弹出斜率lines.pop(idx)  #弹出直线else:break

7、定义calc_lane_vertices函数，用于根据给定的点集拟合一条直线，并计算这条直线在图像中的两个端点的坐标

#拟合点集，生成直线表达式，并计算直线在图像中的两个端点的坐标
def calc_lane_vertices(point_list, ymin, ymax):x = [p[0] for p in point_list]  #提取xy = [p[1] for p in point_list]  #提取yfit = np.polyfit(y, x, 1)   #用一次多项式x=a*y+b拟合这些点，fit是(a,b)fit_fn = np.poly1d(fit) #生成多项式对象a*y+bxmin = int(fit_fn(ymin))    #计算这条直线在图像中最左侧的横坐标xmax = int(fit_fn(ymax))     #计算这条直线在图像中最右侧的横坐标return [(xmin, ymin), (xmax, ymax)]

8、编写主函数。首先读取视频并获取每一帧，如果读取帧失败（即视频已经播放完毕），则跳出循环；接着对读取到的帧进行一系列处理，包括转换为灰度图、高斯模糊、Canny边缘检测、生成ROI掩膜、霍夫直线检测等；然后将处理后的图像与原图融合，得到最终的结果；最后显示结果图像，如果按下Esc键，则跳出循环，即关闭所有窗口

if __name__ == '__main__':try:cap = cv2.VideoCapture('./video_1.mp4')if (cap.isOpened()):  # 视频打开成功flag = 1else:flag = 0num = 0if (flag):while (True):ret,frame = cap.read()  # 读取一帧if ret == False:  # 读取帧失败breakgray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY)  #图像转换为灰度图blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0)  #使用高斯模糊去噪声edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold)    #使用Canny进行边缘检测roi_vtx = np.array([[(0, frame.shape[0]), (460, 325),(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标，roi_vtx是一个三维的数组roi_edges = roi_mask(edges, roi_vtx)    #对边缘检测的图像生成图像蒙板，去掉不感兴趣的区域，保留兴趣区line_img = hough_lines(roi_edges, rho, theta, threshold,min_line_length, max_line_gap)   #使用霍夫直线检测，并且绘制直线res_img = cv2.addWeighted(frame, 0.8, line_img, 1, 0)   #将处理后的图像与原图做融合cv2.imshow('meet',res_img)if cv2.waitKey(30) & 0xFF == 27:breakcv2.waitKey(0)cv2.destroyAllWindows()except:pass

# 使用环境dlcv/001#1、
import numpy as np
import cv2blur_ksize = 5  # 高斯模糊核大小
canny_lthreshold = 50  # Canny边缘检测低阈值
canny_hthreshold = 150  # Canny边缘检测高阈值
# 霍夫变换参数
rho = 1  # rho的步长，即直线到图像原点(0,0)点的距离
theta = np.pi / 180  # theta的范围
threshold = 15  # 累加器中的值高于它时才认为是一条直线
min_line_length = 40  # 线的最短长度，比这个短的都被忽略
max_line_gap = 20  # 两条直线之间的最大间隔，小于此值，认为是一条直线#2、
#img是输入的图像，verticess是兴趣区的四个点的坐标（三维的数组）
def roi_mask(img, vertices):mask = np.zeros_like(img)   #生成与输入图像相同大小的图像，并使用0填充,图像为黑色mask_color = 255cv2.fillPoly(mask, vertices, mask_color)    #使用白色填充多边形，形成蒙板masked_img = cv2.bitwise_and(img, mask) #img&mask，经过此操作后，兴趣区域以外的部分被蒙住了，只留下兴趣区域的图像return masked_img#3、
# 对图像进行画线
def draw_lines(img, lines, color=[255, 255, 0], thickness=2):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness)#4、
def hough_lines(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) #生成绘制直线的绘图板，黑底# draw_lines(line_img, lines)draw_lanes(line_img, lines)return line_img#5、
def draw_lanes(img, lines, color=[255, 255, 0], thickness=8):left_lines, right_lines = [], []  # 用于存储左边和右边的直线for line in lines:  # 对直线进行分类for x1, y1, x2, y2 in line:k = (y2 - y1) / (x2 - x1)if k < 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) <= 0 or len(right_lines) <= 0):return imgclean_lines(left_lines, 0.1)  # 弹出左侧不满足斜率要求的直线clean_lines(right_lines, 0.1)  # 弹出右侧不满足斜率要求的直线left_points = [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line]  # 提取左侧直线族中的所有的第一个点left_points = left_points + [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line]  # 提取左侧直线族中的所有的第二个点right_points = [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line]  # 提取右侧直线族中的所有的第一个点right_points = right_points + [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line]  # 提取右侧侧直线族中的所有的第二个点left_vtx = calc_lane_vertices(left_points, 325, img.shape[0])  # 拟合点集，生成直线表达式，并计算左侧直线在图像中的两个端点的坐标right_vtx = calc_lane_vertices(right_points, 325, img.shape[0])  # 拟合点集，生成直线表达式，并计算右侧直线在图像中的两个端点的坐标cv2.line(img, left_vtx[0], left_vtx[1], color, thickness)  # 画出左侧直线cv2.line(img, right_vtx[0], right_vtx[1], color, thickness)  # 画出右侧直线#6、
#将不满足斜率要求的直线弹出
def clean_lines(lines, threshold):slope = [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]while len(lines) > 0:mean = np.mean(slope)   #计算斜率的平均值，因为后面会将直线和斜率值弹出diff = [abs(s - mean) for s in slope]    #计算每条直线斜率与平均值的差值idx = np.argmax(diff)     #计算差值的最大值的下标if diff[idx] > threshold:    #将差值大于阈值的直线弹出slope.pop(idx)  #弹出斜率lines.pop(idx)  #弹出直线else:break#7、
#拟合点集，生成直线表达式，并计算直线在图像中的两个端点的坐标
def calc_lane_vertices(point_list, ymin, ymax):x = [p[0] for p in point_list]  #提取xy = [p[1] for p in point_list]  #提取yfit = np.polyfit(y, x, 1)   #用一次多项式x=a*y+b拟合这些点，fit是(a,b)fit_fn = np.poly1d(fit) #生成多项式对象a*y+bxmin = int(fit_fn(ymin))    #计算这条直线在图像中最左侧的横坐标xmax = int(fit_fn(ymax))     #计算这条直线在图像中最右侧的横坐标return [(xmin, ymin), (xmax, ymax)]#8、
if __name__ == '__main__':try:cap = cv2.VideoCapture('1.mp4')if (cap.isOpened()):  # 视频打开成功flag = 1else:flag = 0num = 0if (flag):while (True):ret,frame = cap.read()  # 读取一帧if ret == False:  # 读取帧失败breakgray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY)  #图像转换为灰度图blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0)  #使用高斯模糊去噪声edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold)    #使用Canny进行边缘检测roi_vtx = np.array([[(0, frame.shape[0]), (460, 325),(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标，roi_vtx是一个三维的数组roi_edges = roi_mask(edges, roi_vtx)    #对边缘检测的图像生成图像蒙板，去掉不感兴趣的区域，保留兴趣区line_img = hough_lines(roi_edges, rho, theta, threshold,min_line_length, max_line_gap)   #使用霍夫直线检测，并且绘制直线res_img = cv2.addWeighted(frame, 0.8, line_img, 1, 0)   #将处理后的图像与原图做融合cv2.imshow('meet',res_img)if cv2.waitKey(30) & 0xFF == 27:breakcv2.waitKey(0)cv2.destroyAllWindows()except:pass

# 使用环境dlcv/001from moviepy.editor import VideoFileClip
import cv2
import numpy as np
# 高斯滤波核大小
blur_ksize = 5
# Canny边缘检测高低阈值
canny_lth = 50
canny_hth = 150
# 霍夫变换参数
rho = 1
theta = np.pi / 180
threshold = 15
min_line_len = 40
max_line_gap = 20
def process_an_image(img):# 1. 灰度化、滤波和Cannygray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 1)edges = cv2.Canny(blur_gray, canny_lth, canny_hth)# 2. 标记四个坐标点用于ROI截取rows, cols = edges.shapepoints = np.array([[(0, rows), (460, 325), (520, 325), (cols, rows)]])# [[[0 540], [460 325], [520 325], [960 540]]]roi_edges = roi_mask(edges, points)# 3. 霍夫直线提取drawing, lines = hough_lines(roi_edges, rho, theta,threshold, min_line_len, max_line_gap)# 4. 车道拟合计算draw_lanes(drawing, lines)# 5. 最终将结果合在原图上result = cv2.addWeighted(img, 0.9, drawing, 0.2, 0)return result
def roi_mask(img, corner_points):# 创建掩膜mask = np.zeros_like(img)cv2.fillPoly(mask, corner_points, 255)masked_img = cv2.bitwise_and(img, mask)return masked_img
def hough_lines(img, rho, theta, threshold, min_line_len, max_line_gap):# 统计概率霍夫直线变换lines = cv2.HoughLinesP(img, rho, theta, threshold,minLineLength=min_line_len, maxLineGap=max_line_gap)# 新建一副空白画布drawing = np.zeros((img.shape[0], img.shape[1], 3), dtype=np.uint8)# 画出直线检测结果# draw_lines(drawing, lines)return drawing, lines
def draw_lines(img, lines, color=[0, 0, 255], thickness=1):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness)
def draw_lanes(img, lines, color=[255, 0, 0], thickness=8):# a. 划分左右车道left_lines, right_lines = [], []for line in lines:for x1, y1, x2, y2 in line:k = (y2 - y1) / (x2 - x1)if k < 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) <= 0 or len(right_lines) <= 0):return# b. 清理异常数据clean_lines(left_lines, 0.1)clean_lines(right_lines, 0.1)# c. 得到左右车道线点的集合，拟合直线left_points = [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line]left_points = left_points + [(x2, y2)for line in left_lines for x1, y1, x2, y2 in line]right_points = [(x1, y1)for line in right_lines for x1, y1, x2, y2 in line]right_points = right_points + \[(x2, y2) for line in right_lines for x1, y1, x2, y2 in line]left_results = least_squares_fit(left_points, 325, img.shape[0])right_results = least_squares_fit(right_points, 325, img.shape[0])# 注意这里点的顺序vtxs = np.array([[left_results[1], left_results[0], right_results[0], right_results[1]]])# d.填充车道区域cv2.fillPoly(img, vtxs, (0, 255, 0))# 或者只画车道线# cv2.line(img, left_results[0], left_results[1], (0, 255, 0), thickness)# cv2.line(img, right_results[0], right_results[1], (0, 255, 0), thickness)
def clean_lines(lines, threshold):# 迭代计算斜率均值，排除掉与差值差异较大的数据slope = [(y2 - y1) / (x2 - x1)for line in lines for x1, y1, x2, y2 in line]while len(lines) > 0:mean = np.mean(slope)diff = [abs(s - mean) for s in slope]idx = np.argmax(diff)if diff[idx] > threshold:slope.pop(idx)lines.pop(idx)else:break
def least_squares_fit(point_list, ymin, ymax):# 最小二乘法拟合x = [p[0] for p in point_list]y = [p[1] for p in point_list]# polyfit第三个参数为拟合多项式的阶数，所以1代表线性fit = np.polyfit(y, x, 1)fit_fn = np.poly1d(fit)  # 获取拟合的结果xmin = int(fit_fn(ymin))xmax = int(fit_fn(ymax))return [(xmin, ymin), (xmax, ymax)]# 主函数：
if __name__ == "__main__":output = 'output4.mp4'# cap = cv2.VideoCapture('3.mp4')clip = VideoFileClip("4.mp4")out_clip = clip.fl_image(process_an_image)out_clip.write_videofile(output, audio=False)# #8、
# if __name__ == '__main__':
#     try:
#         cap = cv2.VideoCapture('3.mp4')
#         if (cap.isOpened()):  # 视频打开成功
#             flag = 1
#         else:
#             flag = 0
#         num = 0
#         if (flag):
#             while (True):
#                 ret,frame = cap.read()  # 读取一帧
#                 if ret == False:  # 读取帧失败
#                     break# gray = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY)  #图像转换为灰度图# blur_gray = cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0)  #使用高斯模糊去噪声# edges = cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold)    #使用Canny进行边缘检测# roi_vtx = np.array([[(0, frame.shape[0]), (460, 325),#                      (520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标，roi_vtx是一个三维的数组# roi_edges = roi_mask(edges, roi_vtx)    #对边缘检测的图像生成图像蒙板，去掉不感兴趣的区域，保留兴趣区# line_img = hough_lines(roi_edges, rho, theta, threshold,#                        min_line_length, max_line_gap)   #使用霍夫直线检测，并且绘制直线# res_img = cv2.addWeighted(frame, 0.8, line_img, 1, 0)   #将处理后的图像与原图做融合# cv2.imshow('meet',res_img)# if cv2.waitKey(30) & 0xFF == 27:#     break#     cv2.waitKey(0)#     cv2.destroyAllWindows()# except:#     pass

http://www.lryc.cn/news/337826.html

相关文章：

  • Git以及Gitlab的快速使用文档
  • MyBatis Interceptor拦截器高级用法
  • Python学习入门（2）——进阶功能
  • 华为改进点
  • 分布式技术---------------消息队列中间件之 Kafka
  • BGP扩展知识总结
  • 华为OD-C卷-按身高和体重排队[100分]
  • 云原生（八）、Kubernetes基础（一）
  • Linux 系统解压缩文件
  • linux如何使 CPU使用率保持在指定百分比？
  • LLMs之Morphic：Morphic(一款具有生成式用户界面的人工智能答案引擎)的简介、安装、使用方法之详细攻略
  • [react] useState的一些小细节
  • 蓝桥杯【第15届省赛】Python B组
  • CSS aspect-ratio属性设置元素宽高比
  • Jones矩阵符号运算
  • 解决 App 自动化测试的常见痛点！
  • 2016NOIP普及组真题 1. 买铅笔
  • 机器学习—数据集（二）
  • 华为S5735S核心交换配置实例
  • Mysql主从复制安装配置
  • 【刷题】图论——最小生成树：Prim、Kruskal【模板】
  • 使用uniapp实现小程序获取wifi并连接
  • 回忆杀之手搓当年搓过的Transformer
  • 【AR】使用深度API实现虚实遮挡
  • python-pytorch实现skip-gram 0.5.001
  • C语言：约瑟夫环问题详解
  • 【刷题篇】回溯算法(二)
  • Windows系统本地部署Jupyter Notebook并实现公网访问编辑笔记
  • 自动化运维（二十七）Ansible 实战Shell 插件和模块工具
  • Jenkins使用-绑定域控与用户授权