畢業(yè)設(shè)計-基于機(jī)器視覺道路視頻車道線檢測識別

2年前作者：HaiLang_IT分類：Toy博客閱讀(24)違法舉報

這篇具有很好參考價值的文章主要介紹了畢業(yè)設(shè)計-基于機(jī)器視覺道路視頻車道線檢測識別。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

前言

課題背景和意義

實現(xiàn)技術(shù)思路

攝像機(jī)校準(zhǔn)

?編輯

透視變換

?車道像素查找

?識別車道面積

實現(xiàn)效果圖樣例

前言

? ? ??大四是整個大學(xué)期間最忙碌的時光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計耗費大量精力。近幾年各個學(xué)校要求的畢設(shè)項目越來越難,有不少課題是研究生級別難度的,對本科同學(xué)來說是充滿挑戰(zhàn)。為幫助大家順利通過和節(jié)省時間與精力投入到更重要的就業(yè)和考試中去,學(xué)長分享優(yōu)質(zhì)的選題經(jīng)驗和畢設(shè)項目與技術(shù)思路。

??對畢設(shè)有任何疑問都可以問學(xué)長哦!

本次分享的課題是

??基于機(jī)器視覺道路視頻車道線檢測

課題背景和意義

計算機(jī)視覺在自動化系統(tǒng)觀測環(huán)境、預(yù)測該系統(tǒng)控制器輸入值等方面起著至關(guān)重要的作用。本文介紹了使用計算機(jī)視覺技術(shù)進(jìn)行車道檢測的過程，并引導(dǎo)我們完成識別車道區(qū)域、計算道路RoC 和估計車道中心距離的步驟。

實現(xiàn)技術(shù)思路

攝像機(jī)校準(zhǔn)

幾乎所有攝像機(jī)使用的鏡頭在聚焦光線以捕捉圖像時都存在一定的誤差，因為這些光線由于折射在鏡頭邊緣發(fā)生了彎曲。這種現(xiàn)象會導(dǎo)致圖像邊緣的扭曲。

def pointExtractor(fname):
    #number of boxes in the chessboard
    objp = np.zeros((6 * 9, 3), np.float32)
    objp[:, :2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2)

    objpoints = []
    imgpoints = []

    images = glob.glob(fname)

    for idx, img in enumerate(images):
        image = cv2.imread(img)
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        ret, corners = cv2.findChessboardCorners(gray, (9, 6), None)

        if ret == True:
            objpoints.append(objp)
            imgpoints.append(corners)
    return objpoints, imgpoints

def cameraCalibrator(objpoints, imgpoints, image):

    imgRes = (image.shape[0], image.shape[1])
    ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, imgRes, None, None)
    undistorted = cv2.undistort(image, mtx, dist, None, mtx)

    return undistorted

透視變換

檢測車道的第一步是調(diào)整我們的視覺系統(tǒng)，以鳥瞰的角度來觀察前方的道路，這將有助于計算道路的曲率，因此將有助于我們預(yù)測未來幾百米的轉(zhuǎn)向角大小。自上而下視圖的另一個好處是，它解決了車道線相交的問題。實際上只要沿道路行駛，車道線就是平行線。

鳥瞰圖可以通過應(yīng)用透視變換來實現(xiàn)，即將輸入圖像中車道區(qū)域四個點映射到所需點上，從而生成自頂向下的視圖。這些點是根據(jù)個案確定，決定因素主要是攝像頭在車輛中的位置及其視野。

def warp(image):
    w = image.shape[1]
    h = image.shape[0]

    src = np.float32([[200, 460], [1150, 460], [436, 220], [913, 220]])
    dst = np.float32([[300, 720], [1000, 720], [400, 0], [1200, 0]])

    M = cv2.getPerspectiveTransform(src, dst)
    invM = cv2.getPerspectiveTransform(dst, src)

    warped = cv2.warpPerspective(image, M, (image.shape[1], image.shape[0]), flags=cv2.INTER_LINEAR)

    return warped,