2020 简单车道线检测实现(上)

作者: zidea | 来源:发表于2020-09-08 19:37 被阅读0次

2020 简单车道线检测实现(上)
每天一个知识点（九）
车道线检测
车道线检测－方法１
车道线检测技术分析
[图像算法]-无人驾驶-车辆+车道检测
2020 无人驾驶(6)之车道线检测
2020 无人驾驶(5)之车道线检测
2020 无人驾驶(7)之车道线检测
2019-02-28

图

分享一个简单车道识别示例，介绍如何使用 opencv 识别图像中车道线，有助于对车辆进行导航，虽然比较基础，主要目的让大家熟悉 opencv 一些特征提取的方法。我们随后介绍如何应用深度学习来做车道线检测的任务。

读取路况图像

这里我们主要使用 opencv 来做这件事，所以首先引入 opencv 库。

import cv2

使用 imread 方法来读取图片，使用 imshow 将图片显示出来，简单地观测一下图片。路况还是比较好，几乎没有什么车辆、而且没有弯道，大家可能会说是不是过于简单，实际上没有那么简单，做事可以先从简单开始，一步一步来，把简单做好了才能做好复杂的事。

image = cv2.imread('test_image.jpg')
cv2.imshow('result',image)
cv2.waitKey(0)

test_image

去色

在 opencv 中提供一些用于检测(识别)边缘、角点等这些特征点方法通常需要我们输入一张灰度图，这也就是为什么我们需要先对图片进行去色处理。在计算机视觉中提取关键点是大部分任务中不可缺少。关键点可以带来更多关于图片的信息，帮助机器理解图像的语义。而且关键点通常就是在图像灰度有变化的地方。

image = cv2.imread('test_image.jpg')
# copy not reference to
lane_image = np.copy(image)

gray = cv2.cvtColor(lane_image,cv2.COLOR_RGB2GRAY)
cv2.imshow('result',gray)
cv2.waitKey(0)

图

降低噪点

第二项工作还需要对图片进行模糊(blur)，通过模糊来减少图片的噪点这样更有利于查找边界。

在灰度图每一个像素都是一个单一值来表示，表示图像灰度值，通过改变深色周围的像素灰度值来实现模糊（或者说是平滑）这里我们会创建一个卷积核。高斯模糊本质上是低通滤波器，输出图像的每个像素点是原图像上对应像素点与周围像素点的加权和，原理并不复杂。如何了解了卷积神经网络这应该就不难懂了。

从图中我们可以看出高斯模糊对图片边缘进行模糊处理。

图

图片是由表示灰度的像素值组成的，像素值差距大地方会明显梯度下降感觉会造成图片不够平滑，或者说不连续，这个很好理解，这就需要我们模糊对这些比较锐利的边缘进行处理。看这张图 90 值周围都是 255 所以 90 点在 255 就是感觉不太协调。我们可以通过 90 周围像素值来影响 90 这个值，通过求这些值平均值方式来减少 90 和其周围像素值之间差异。

卷积核

这个就是由加权值组成的卷积核，卷积核在图像进行游走，通过将像素值通过计算其周围值的均值或者带有权重的值来计算其值。

图

高斯模糊之所以叫高斯模糊，是因为运用了高斯卷积核来进行图片模糊成的密度函数
$f(x) = \frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x -\mu)^2}{2 \sigma^2}}$

blur = cv2.GaussianBlur(gray,(5,5),0)

模糊处理图

Canny边缘检测算法

获取图片的边缘信息是底层数字图像处理的基本任务之一。边缘信息对进一步提取高层语义信息有很大的影响。这也有助于我们对图像物体进行识别

图

过渡分为两种一个强过渡一种是弱过渡

图

过渡强弱是我们判断是否边缘的依据，我们可以通过阈值来指定那些是我们要找的过渡将这些过渡作为边缘，那些是我们忽略过渡。

激活

这里就需要一个类似神经网激活函数，来确定那些是用于判断边缘那些不是。

图

canny = cv2.Canny(blur,50,150)
cv2.imshow('result',canny)

canny

整理代码

import cv2
import numpy as np

def canny(image):
    gray = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
    blur = cv2.GaussianBlur(gray,(5,5),0)
    canny = cv2.Canny(blur,50,150)
    return canny
# read image
image = cv2.imread('test_image.jpg')
# copy not reference to
lane_image = np.copy(image)
canny = canny(lane_image)

cv2.imshow('result',canny)
cv2.waitKey(0)

将对图片进行去色、模糊以及边缘检测一系列处理都整理到 canny 这个函数。然后通过调用该函数进行

import matplotlib.pyplot as plt

plt.imshow(canny)
plt.show()

图

应用遮罩

通常这样 camera 都是安装在车前盖上来对车道线进行识别。

def region_of_interest(image):
    height = image.shape[0]
    ploygons = np.array([[(200,height),(1100,height),(550,250)]])
    mask = np.zeros_like(image)
    cv2.fillPoly(mask,ploygons,255)
    return mask

cv2.imshow('result',region_of_interest(canny))
cv2.waitKey(0)

mask

通过 bitwise_and 对两个图像的每一个像素做 and (与) 运算，来将遮罩应用图像，这个如果大家有 Photoshop 经验应该不难理解这个操作，也就是仅保留我们感兴趣区域。

def region_of_interest(image):
    height = image.shape[0]
    ploygons = np.array([[(200,height),(1100,height),(550,250)]])
    mask = np.zeros_like(image)
    cv2.fillPoly(mask,ploygons,255)
    masked_image = cv2.bitwise_and(image,mask)
    return masked_image