本筆記gitee源代碼：
https://gitee.com/hongtao-jiang/opencv_lanedetect.git

2023.8.5

1、OpenCV安裝

conda管理虛擬環(huán)境與否看自己
pip install opencv

import cv2
print(cv2.__version__)

查看該庫是否安裝成功

2、圖片的讀入、保存

import cv2

img=cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE) #此為以灰度圖格式讀入，彩色讀入則shape是3通道
print(type(img)) #<class 'numpy.ndarray'>
print(img.shape) #(368, 640)

cv2.imshow('image',img)#一閃而逝
#cv2.waitKey(0)#延時阻塞 0一直阻直到鍵入  單位毫秒
#k=cv2.waitKey(0)
#print(k)  #輸出鍵入的ASCII值

cv2.imwrite('img_gray.jpg',img)#灰度圖重組到文件里，圖片要指定后綴，cv以此確定壓縮格式

3、Canny算法邊緣檢測

求取每個像素點周邊梯度，對比變化，以確定是否為邊緣
對于B,C點，不處于邊緣，求梯度無明顯變化，但是處在邊緣的A來說，梯度變化會很大，就可能是邊緣點
以上是理想例子，沿著邊緣法向求梯度求，實際上情況更復(fù)雜，例如：

1是左右邊緣，3上下左右都有，360°計算運算成本高，Canny算法則是選取4個梯度方向（有正負所以說4個），
（1）應(yīng)用高斯濾波器，平滑圖像，濾除噪聲。
邊緣檢測易受噪聲影響，所以平滑圖像，降低噪聲點
（2）計算圖像每個像素點的梯度大小和方向。


（3）非極大值抑制，消除邊緣檢測帶來的不利影響
遍歷圖像中所有的像素點，判斷當前像素點是否是周圍像素點中具有相同方向梯度的最大值

保留黃色背景像素點，其他的歸0

（4）應(yīng)用雙閾值檢測確定真實和潛在的邊緣

先設(shè)置高、低兩個閾值（一般高閾值是低閾值的2~3倍），遍歷整個灰度矩陣，若某點的梯度高于高閾值，則在結(jié)果中置1，若該點的梯度值低于低閾值，則在結(jié)果中置0，若該點的梯度值介于高低閾值之間，則需要進行如下判斷：檢查該點（將其視為中心點）的8鄰域點，看是否存在梯度值高于高閾值的點，若存在，則說明該中心點和確定的邊緣點相連接，故在結(jié)果中置1，否則置0。

（5）抑制孤立的弱邊緣完成邊緣檢測

雙閾值檢測確定真是和潛在的邊緣

原圖：
邊緣輪廓：

閾值：edge_img=cv2.Canny(img,50,100)

閾值：edge_img=cv2.Canny(img,70,120)
相比前面面的圖，邊緣線少了

import cv2

img=cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)

edge_img=cv2.Canny(img,70,120)

cv2.imshow('edges',edge_img)
cv2.waitKey(0)
cv2.imwrite('edge_img.jpg',edge_img)

附一段可動態(tài)調(diào)節(jié)閾值的實時檢測效果代碼：

import cv2

cv2.namedWindow('edge_detection')
cv2.createTrackbar('minThreshold','edge_detection',50,1000,lambda x: x)
cv2.createTrackbar('maxThreshold','edge_detection',100,1000,lambda x: x)

img=cv2.imread('img.jpg',cv2.IMREAD_GRAYSCALE)
while True:
    minThreshold=cv2.getTrackbarPos('minThreshold', 'edge_detection')
    maxThreshold = cv2.getTrackbarPos('maxThreshold', 'edge_detection')
    edges = cv2.Canny(img, minThreshold, maxThreshold)
    cv2.imshow('edge_detection', edges)
    cv2.waitKey(10)

效果如下：

用以選擇合適閾值

4、ROI mask

region of interest 感興趣區(qū)域

· 數(shù)組切片
· 布爾運算（AND與運算）

原圖以矩陣np.array形式存儲在內(nèi)存
zeros_like生成一個大小一致的全0矩陣
fillpoly填充掩碼部分，留作與操作

cv2.fillPoly(mask,np.array([[[0,368],[240,210],[300,210],[640,368]]]),color=255)

這部分是將四個頂點包住的梯形填充，255為灰度值，純白色

import cv2
import numpy as np

edge_img=cv2.imread('edge_img.jpg',cv2.IMREAD_GRAYSCALE)

mask=np.zeros_like(edge_img)
cv2.fillPoly(mask,np.array([[[0,368],[240,210],[300,210],[640,368]]]),color=255)
cv2.imshow('mask',mask)
cv2.waitKey(0)

import cv2
import numpy as np

edge_img=cv2.imread('edge_img.jpg',cv2.IMREAD_GRAYSCALE)

mask=np.zeros_like(edge_img)
mask=cv2.fillPoly(mask,np.array([[[0,368],[240,210],[300,210],[640,368]]]),color=255)
#cv2.imshow('mask',mask)
#cv2.waitKey(0)
mask_edge_img=cv2.bitwise_and(edge_img,mask)
cv2.imshow('mask_edge_img.jpg',mask_edge_img)
#cv2.imwrite('mask_edge_img.jpg',mask_edge_img)
cv2.waitKey(0)

有點偏，多了雜點，往右挪一挪

np.array([[[0, 368], [300, 210], [340, 210], [640, 368]]]),
                    color=255)

5、霍夫變換

找直線用

笛卡爾坐標系中的一條線，在霍夫空間中是個點；
霍夫空間中的一條線，代表笛卡爾系中所有經(jīng)過某點的直線；

?。?！
所以，經(jīng)過這樣一個對應(yīng)變換的思路，霍夫空間中的一個點作為參數(shù)可以確定笛卡爾空間中多數(shù)點確定的一條直線


右圖是極坐標系對應(yīng)霍夫空間交線圖

如圖，兩條直線，右圖兩個兩點，說明相交次數(shù)多，根據(jù)這兩個點的坐標參數(shù)，確定直線

api:
返回值是一個列表，代表線段起點和終點的坐標值

opencv中霍夫變換要在灰度圖中進行，讀取圖片必須注意格式

在控制臺逐行輸入

import cv2

import numpy as np

img=cv2.imread('lines.jpg',cv2.IMREAD_GRAYSCALE)

lines = cv2.HoughLinesP(img, 1, np.pi / 180, 15, minLineLength=40,
                        maxLineGap=20)

lines
len(lines)

我們直觀感受到的2條線，發(fā)現(xiàn)輸出會有32條直線


其實是因為我們所處理的原圖，直線有寬度，粗了
看參數(shù)，其中有很多線起點終點坐標相差不大，就是一條線段

為了先驗獲得兩條，我們得進行分類，按斜率分為兩組

import cv2
import numpy as np


def calculate_slope(line):
    """
    計算線段line的斜率
    :param line: np.array([[x_1, y_1, x_2, y_2]])
    :return:
    """
    x_1, y_1, x_2, y_2 = line[0]
    return (y_2 - y_1) / (x_2 - x_1)


edge_img = cv2.imread('mask_edge_img.jpg', cv2.IMREAD_GRAYSCALE)
# 獲取所有線段
lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40,
                        maxLineGap=20)
# 按照斜率正負分成車道線
left_lines = [line for line in lines if calculate_slope(line) > 0]
right_lines = [line for line in lines if calculate_slope(line) < 0]

注意，opencv中，坐標原點在左上角

6、離群值過濾

上節(jié)根據(jù)斜率分為左右兩組線，但實際因為誤差，噪點，會誤識別為車道線，我們要進一步剔除一部分，我們知道，落在車道線上的線占大多數(shù)，與之斜率差別大的我們過濾掉

import cv2
import numpy as np

def calculate_slope(line):
    """
    計算線段line的斜率
    :param line: np.array([[x_1, y_1, x_2, y_2]])
    :return:
    """
    x_1, y_1, x_2, y_2 = line[0]
    return (y_2 - y_1) / (x_2 - x_1)

edge_img = cv2.imread('mask_edge_img.jpg', cv2.IMREAD_GRAYSCALE)
# 獲取所有線段
lines = cv2.HoughLinesP(edge_img, 1, np.pi / 180, 15, minLineLength=40, maxLineGap=20)
# 按照斜率分成車道線
left_lines = [line for line in lines if calculate_slope(line) > 0]
right_lines = [line for line in lines if calculate_slope(line) < 0]

def reject_abnormal_lines(lines, threshold):
    """
    剔除斜率不一致的線段
    :param lines: 線段集合, [np.array([[x_1, y_1, x_2, y_2]]),np.array([[x_1, y_1, x_2, y_2]]),...,np.array([[x_1, y_1, x_2, y_2]])]
    """
    slopes = [calculate_slope(line) for line in lines]#建個斜率列表
    while len(lines) > 0:
        mean = np.mean(slopes)#計算斜率平均值
        diff = [abs(s - mean) for s in slopes]#計算每個斜率和平均值的差值
        idx = np.argmax(diff)# 獲取array中數(shù)值最大的 找差值最大線段的索引
        if diff[idx] > threshold:#和閾值比一下，差得多不，超標就滾蛋
            slopes.pop(idx)#斜率列表中刪掉
            lines.pop(idx)#從線段列表中刪掉
        else:
            break
    return lines


print('before filter:')
print('left lines number=')
print(len(left_lines))
print('right lines number=')
print(len(right_lines))

reject_abnormal_lines(left_lines, threshold=0.2)
reject_abnormal_lines(right_lines, threshold=0.2)


print('after filter:')
print('left lines number=')
print(len(left_lines))
print('right lines number=')
print(len(right_lines))

7、最小二乘擬合

將所有認為是左或右車道的線擬合為一條

np.ravel :將高維數(shù)組拉成一維數(shù)組
np.polyfit: 多項式擬合

np.polyval:多項式求值，第一個參數(shù)是多項式系數(shù)，第二參數(shù)是任意X

def least_squares_fit(lines):
    """
    將lines中的線段擬合成一條線段
    :param lines: 線段集合, [np.array([[x_1, y_1, x_2, y_2]]),np.array([[x_1, y_1, x_2, y_2]]),...,np.array([[x_1, y_1, x_2, y_2]])]
    :return: 線段上的兩點,np.array([[xmin, ymin], [xmax, ymax]])
    """
    # 1. 取出所有坐標點
    x_coords = np.ravel([[line[0][0], line[0][2]] for line in lines])
    y_coords = np.ravel([[line[0][1], line[0][3]] for line in lines])
    # 2. 進行直線擬合.得到多項式系數(shù)
    poly = np.polyfit(x_coords, y_coords, deg=1)
    # 3. 根據(jù)多項式系數(shù),計算兩個直線上的點,用于唯一確定這條直線
    point_min = (np.min(x_coords), np.polyval(poly, np.min(x_coords)))
    point_max = (np.max(x_coords), np.polyval(poly, np.max(x_coords)))
    return np.array([point_min, point_max], dtype=int)


print("left lane")
print(least_squares_fit(left_lines))
print("right lane")
print(least_squares_fit(right_lines))

在上節(jié)代碼后加入這段處理

兩點練成一條線

8、直線繪制

cv2.line
添加如下代碼

left_line = least_squares_fit(left_lines)
right_line = least_squares_fit(right_lines)

img = cv2.imread('img.jpg', cv2.IMREAD_COLOR)
cv2.line(img, tuple(left_line[0]), tuple(left_line[1]), color=(0, 255, 255), thickness=5)
cv2.line(img, tuple(right_line[0]), tuple(right_line[1]), color=(0, 255, 255), thickness=5)

cv2.imshow('lane', img)
cv2.waitKey(0)

為什么左側(cè)車道線肉眼可見的偏移大？
因為在Canny邊緣檢測閾值調(diào)整，和前面ROI mask處掩碼區(qū)域沒有設(shè)置好，如下圖，左車道線處有車輛的邊緣，我沒有細心調(diào)節(jié)閾值，后面掩碼區(qū)域也沒有掩蓋掉

將梯形塊右移，得到新的圖取參與繪圖：

所以調(diào)整需要看情況

9、視頻流讀寫

文章來源地址http://www.zghlxwxcb.cn/news/detail-627080.html

capture = cv2.VideoCapture('video.mp4')
while True:
    ret, frame = capture.read()#ret視頻流狀況，是否關(guān)閉
    frame = show_lane(frame)
    cv2.imshow('frame', frame)
    cv2.waitKey(100)

到了這里，關(guān)于OpenCV學(xué)習(xí)筆記--以車道線檢測入門的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！