前言

在找寻车道线检测的过程中发现了一篇好文章
但是需要科学上网，所有进行了转载
原博作者：Galen Ballew，原博链接

正文

我在12月份开始了Udacity自驾车工程师Nanodegree。目前，我正在完成我的第二个项目，该项目使用卷积神经网络对交通标志进行分类，该卷积神经网络采用了经过改进的LeNet架构。如果您有兴趣，可以在此处查看我关于它的帖子。我想回到我的第一个项目，使用OpenCV检测车道线，并向可能对基本计算机视觉感兴趣的人展示它的工作原理和外观。首先，这是一个很棒的项目，最初是计算机视觉领域的新手。我学到了很多东西，最终建立了一个行之有效的管道。您可以在GitHub上找到代码。我强烈建议您亲自尝试该代码-您甚至可以在您的视频中运行它！

挑战：

开车时，我们会用眼睛来决定要去的地方。道路上的线条向我们显示了车道的位置，这是我们始终指引车辆驶向何处的参考。自然，在开发自动驾驶汽车时，我们要做的第一件事就是使用算法自动检测车道线。
我们想从这样的图像开始：

处理图像以进行车道检测，得到从霍夫空间转换绘制的线：

最后，对这些行进行外推并取平均值，以实现平滑车道检测功能，我们可以将其应用于视频帧，得到最终影像：

方法：

使用我们的图像的第一步将是将它们转换为灰度。这是在OpenCV中使用Canny Edge Detector的关键步骤。我将在稍后讨论更多有关canny()功能的信息，但现在重要的是要意识到我们正在将3个像素值通道（红色，绿色和蓝色）折叠为一个像素值范围为[0,255]的单个通道。

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

BGR到灰度转换得到的图像：

在检测到边缘之前，我们需要准确地弄清楚我们要寻找的内容。车道线始终是黄色和白色。黄色可能是在RGB空间中隔离的棘手颜色，因此让我们将其转换为Hue Value Saturation或HSV颜色空间。您可以通过Google search找到黄色值的目标范围。我使用的是下面。接下来，我们将对原始RGB应用遮罩image以返回我们感兴趣的像素。

lower_yellow = np.array（[20，100，100]，dtype =“ uint8”）
upper_yellow = np.array（[30，255，255]，dtype =“ uint8”）
mask_yellow = cv2.inRange（img_hsv，lower_yellow，upper_yellow）
mask_white = cv2.inRange（gray_image，
200，255 ）mask_yw = cv2.bitwise_or（mask_white，mask_yellow）
mask_yw_image = cv2.bitwise_and（g

所有非黄色或白色像素的灰度图像设置为黑色/零得到的图像：

自原始图像以来，我们当然已经做了很多工作，但是魔术尚未发生。让我们应用快速的高斯模糊。该滤镜将通过平均邻域中的像素值来帮助抑制Canny Edge Detection中的噪声。

kernel_size = 5
gauss_gray = gaussian_blur（mask_yw_image，kernel_size）

Canny Edge Detection

我们准备好了！让我们计算一下Canny Edge Detection。快速学习微积分将真正帮助您准确了解这里发生的事情！基本上，canny()根据像素值的方向导数（即梯度）来解析像素值。剩下的就是边缘-或至少在一个方向上存在陡峭导数的地方。在canny()计算梯度时，我们将需要提供阈值。约翰坎尼（John Canny）本人建议将门槛比率从1：2或1：3降低到高。

low_threshold = 50
high_threshold = 150
canny_edges = canny(gauss_gray,low_threshold,high_threshold)

我们已经走了很长一段路，但我们还没有到那儿。我们不希望我们的汽车在地平线上，甚至在另一条车道上都注意任何事情。我们的车道检测管线应集中在汽车前方。这样做，我们将创建另一个称为“感兴趣区域（ROI）”的蒙版。ROI以外的所有内容都将设置为黑色/零，因此我们仅处理相关的边缘。我将为您提供有关如何制作此多边形的详细信息-在GitHub存储库中查看以了解我的实现。

roi_image = region_of_interest(canny_edges, vertices)

The ROI for lane detection:

霍夫空间

准备振作起来。您最喜欢的等式y = mx + b即将揭示其变化的自我-霍夫变换。Udacity提供了有关Hough空间的一些惊人的视频内容，但目前仅面向学生。但是，这是一篇出色的论文，可让您熟悉该主题。如果您不喜欢学术研究出版物，请不要担心。最大的收获是，在XY空间中，线是线，而点是点，但是在霍夫空间中，线对应于XY空间中的点，而点对应于XY空间中的线。这是我们的程序的样子：

1. 像素被视为XY空间中的点
2. hough_lines() 将这些点转换为霍夫空间内的线
3. 这些线相交的任何地方，霍夫空间中都有一个相交点
4. 相交点对应于XY空间中的线

如果您对这部分的代码感兴趣，请确保遵循repo中的Jupyter笔记本。您可以在此处找到有关Hough变换的参数的更多信息。不要害怕尝试并尝试不同的阈值！让我们看看它的实际效果：

关于上图的主要观察结果是，该图包含来自我们处理以创建它的任何照片的零像素数据。它是严格的黑色/零和绘制的线条。而且，看起来只有两行的实际上可能是多种多样的。在霍夫空间中，可能有很多很多交点表示XY中的线。我们将所有这些线合并为两个主要平均值。我构建用于遍历行的解决方案在代码中。

有了两条主线后，我们就可以将线图像与道路的原始，未改变的图像进行平均，以得到美观，平滑的叠加层。

complete = cv2.addWeighted(initial_img, alpha, line_image, beta, lambda)

处理影片

编辑一帧，创建滚动平均值并处理30FPS只需几行。

结果：

这是对Udacity SDC工程师纳米学位的精彩介绍。通过这个项目并建立解决方案，我感到很开心。就是说，我有几件事需要改进。
感兴趣的车道检测区域（ROI）必须是灵活的。当沿着陡峭的斜坡向上或向下行驶时，地平线将发生变化，不再是框架比例的乘积。对于急转弯和大通车，这也是要考虑的问题。
晚上开车。颜色识别和选择过程在白天非常有效。引入阴影会产生一些噪音，但不会提供像夜间驾驶或在能见度有限的条件下（例如大雾天）开车那样严格的测试
同时，我将建立一个卷积神经网络对交通标志进行分类，进一步了解TensorFlow，并熟悉Keras。敬请关注！

标签：车道,Python,mask,image,cv2,像素,OpenCV,step4,我们
来源： https://blog.csdn.net/Uni__Lee/article/details/115431563