Loading

從車道檢測(cè)項(xiàng)目入門open cv

前提聲明：非常感謝b站up主 嘉然今天吃帶變，感謝其視頻的幫助。同時(shí)希望各位大佬積積極提出寶貴的意見(jiàn)。??????(?′?`?)(●'?'●)╰(°▽°)╯

github地址：https://github.com/zhongzhengli13/openCV_Lane_Detection

視頻地址：從車道檢測(cè)項(xiàng)目入門open cv

基礎(chǔ)知識(shí)

cv2.imread & cv2.imshow & cv2.imwrite

 import cv2 as cv
 
 img = cv.imread("img.png", cv.IMREAD_GRAYSCALE) #將圖片轉(zhuǎn)為灰度圖

但是當(dāng)前會(huì)存在一些問(wèn)題，圖片會(huì)閃一下，看不清楚，所以我們可以加上阻塞 cv2.waitKey()函數(shù)

#完整版
import cv2 as cv

img = cv.imread("img.png", cv.IMREAD_GRAYSCALE)
print(type(img))
print(img.shape)
cv.imshow('image', img)
k = cv.waitKey(0)  # 阻塞 #k相當(dāng)于檢測(cè)你的輸入的ascii值
print(k)
# while True:
#     if cv.waitKey(0) == ord('q'):
#         cv.destroyAllWindows()
#     else:
#         img = cv.imread("img.png", cv.IMREAD_GRAYSCALE)

cv.imwrite("img_gray.png", img)#生成img圖片，保存到當(dāng)前目錄中~

效果展示

原始圖像：

灰度圖：

Canny邊緣檢測(cè)

通過(guò)求取圖像上每一個(gè)像素點(diǎn)周邊圖像像素變化的梯度，來(lái)確定這個(gè)點(diǎn)是否是邊緣。

梯度的方向一般總是與邊界垂直，梯度的方向被歸為四類：垂直、水平和兩個(gè)對(duì)角線（即，0度、45度、90度和135度四個(gè)方向）。

我們現(xiàn)在的想法是設(shè)置一個(gè)閾值，當(dāng)梯度大于閾值時(shí)，我們可以認(rèn)為該點(diǎn)是邊緣。但是隨之而來(lái)的是，圖片會(huì)產(chǎn)生一些毛邊或者光線，角度等問(wèn)題，導(dǎo)致可能會(huì)誤判。

為了解決這個(gè)問(wèn)題，我們采用雙閾值的方法，一個(gè)上閾值，一個(gè)下閾值。

我們認(rèn)為高于上閾值的點(diǎn)為強(qiáng)邊緣，在上閾值和下閾值之間的我們認(rèn)為是弱邊緣。

我們認(rèn)為只有弱邊緣與強(qiáng)邊緣相連的話，才是邊緣。B不認(rèn)為是邊緣，可能是噪聲；C與A強(qiáng)邊緣相連，我們認(rèn)為C是邊緣。

import cv2

img = cv2.imread("img.png", cv2.IMREAD_GRAYSCALE)

edge_img = cv2.Canny(img, 190, 350)  # 下邊緣和上邊緣的閾值設(shè)定 #需要自行更改
cv2.imshow("edge", edge_img)
cv2.waitKey(0)

當(dāng)上邊緣和下邊緣都升高時(shí)，邊緣顯示會(huì)越來(lái)越少。

ROI mask

簡(jiǎn)單來(lái)講就是類似于摳圖，就是剔除無(wú)關(guān)信息的邊緣。

roi : region of interest 感興趣的區(qū)域

? 數(shù)組切片

? 布爾運(yùn)算（與運(yùn)算）

cv2.fillPoly 是 OpenCV 中的一個(gè)函數(shù)，用于在圖像中填充多邊形區(qū)域。它常用于繪制、遮罩或標(biāo)記圖像中的特定區(qū)域。通過(guò)指定多邊形的頂點(diǎn)，cv2.fillPoly 可以將這些區(qū)域填充為指定的顏色。
cv2.bitwise_and 是 OpenCV 中的一個(gè)函數(shù)，用于對(duì)兩個(gè)圖像或數(shù)組進(jìn)行按位與（bitwise AND）操作。按位與操作是逐像素進(jìn)行的，只有當(dāng)兩個(gè)圖像的對(duì)應(yīng)像素都為非零值時(shí)，結(jié)果圖像的該像素才為非零值。
- 圖像遮罩：
  - 使用掩碼提取圖像的特定區(qū)域。例如，將一個(gè)形狀（如矩形、圓形或多邊形）作為掩碼，只保留掩碼內(nèi)的圖像內(nèi)容。
- 圖像合成：
  - 將兩個(gè)圖像的特定部分組合在一起。
- 圖像處理：
  - 在圖像處理中，按位與操作常用于對(duì)圖像進(jìn)行區(qū)域選擇或區(qū)域遮擋。

圖像以矩陣np.array形式存儲(chǔ)在內(nèi)存中

? np.zeros_like : np.zeros_like 是 NumPy 庫(kù)中的一個(gè)函數(shù)，用于創(chuàng)建一個(gè)與給定數(shù)組形狀和數(shù)據(jù)類型相同的數(shù)組，但所有元素都初始化為零。

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-28 17:30
import cv2
import numpy as np

edge_img = cv2.imread("edge_img.png", cv2.IMREAD_GRAYSCALE)
mask = np.zeros_like(edge_img)  # 獲取一個(gè)與edge_img大小相同的數(shù)組
mask = cv2.fillPoly(mask, np.array([[[0, 569], [661, 195], [914, 248], [979, 592]]]),
                    color=255)  # array中的存放的是想要識(shí)別區(qū)域的四個(gè)頂點(diǎn) #順序?yàn)樽笙?、左上、右上、右?
masked_edge_img = cv2.bitwise_and(edge_img, mask)
# cv2.imshow('mask', mask)
# cv2.waitKey(0)
cv2.imshow("edged", masked_edge_img)
cv2.waitKey(0)

霍夫變換

提取圖片中的直線。

注意：霍夫變換是針對(duì)灰度圖的。

min是最短線段的長(zhǎng)度，max是兩點(diǎn)之間的最大距離，超過(guò)這個(gè)距離就不認(rèn)為是線段了。

首先經(jīng)過(guò) cv2.HoughLinesP()函數(shù)獲取到所有的線條，然后計(jì)算線條的斜率，根據(jù)斜率的正負(fù)判斷是左車道線還是右車道線。

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-29 8:54
import cv2
import numpy as np


def calculate_slope(line):
    """
    計(jì)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('masked_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]

print("left_lines =", len(left_lines))
print("right_lines =", len(right_lines))

離群值過(guò)濾

剔除出因?yàn)檎`差而被識(shí)別出的直線。

如何分解出噪點(diǎn)和車道線那？

我們可以知道，車道線的斜率大致是相同的，進(jìn)而可以分辨出噪點(diǎn)和車道線。

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-29 9:01
import cv2
import numpy as np

"""
剔除出因?yàn)檎`差而被識(shí)別出的直線。
如何分解出噪點(diǎn)和車道線那？
    我們可以知道，車道線的斜率大致是相同的，進(jìn)而可以分辨出噪點(diǎn)和車道線。
"""


def calculate_slope(line):
    """
    計(jì)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('masked_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]
    while len(lines) > 0:
        mean = np.mean(slopes)  # 使用 NumPy 的 np.mean 函數(shù)計(jì)算當(dāng)前所有斜率的平均值
        diff = [abs(s - mean) for s in slopes]  # 遍歷 slopes 列表，計(jì)算每個(gè)斜率與平均斜率的絕對(duì)差值，并將結(jié)果存儲(chǔ)在 diff 列表中
        idx = np.argmax(diff)  # 使用 NumPy 的 np.argmax 函數(shù)找到 diff 列表中最大值的索引，即斜率差異最大的線段。
        if diff[idx] > threshold:  # 如果最大差異大于閾值 threshold，則認(rèn)為該線段是異常的，將其從 slopes 和 lines 列表中移除。
            slopes.pop(idx)
            lines.pop(idx)
        else:  # 如果最大差異小于或等于閾值，則認(rèn)為所有線段的斜率已經(jīng)足夠一致，退出循環(huán)。
            break
    return lines  # 如果最大差異小于或等于閾值，則認(rèn)為所有線段的斜率已經(jīng)足夠一致，退出循環(huán)。


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))

最小二乘擬合

將lines的線段擬合成一條直線。

np.ravel 將高維數(shù)組拉成一維

np.polyfit 多項(xiàng)式擬合

np.polyval 多項(xiàng)式求值

經(jīng)過(guò)上述的步驟，進(jìn)而我們可以求出車道線的數(shù)量等信息，同時(shí)又剔除了噪點(diǎn)。然后我們就可以將在同一個(gè)區(qū)域的線段擬合一條直線

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-29 15:58
import cv2
import numpy as np


def calculate_slope(line):
    """
    計(jì)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("masked_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]
    while len(lines) > 0:
        mean = np.mean(slopes)
        diff = [abs(s - mean) for s in slopes]
        idx = np.argmax(diff)
        if (diff[idx] > threshold):
            slopes.pop(idx)
            lines.pop(idx)
        else:
            break
        return lines


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


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(diǎn),np.array([[xmin, ymin], [xmax, ymax]])
    """
    # 1. 取出所有坐標(biāo)點(diǎn)
    """
    在 OpenCV 中，線段通常用一個(gè)形狀為 (1, 4) 的 NumPy 數(shù)組表示，其中包含線段的兩個(gè)端點(diǎn)的坐標(biāo)。
    具體來(lái)說(shuō)，數(shù)組的格式為 [x1, y1, x2, y2]，分別表示起點(diǎn) (x1, y1) 和終點(diǎn) (x2, y2)。
    """
    x_coords = np.ravel([[line[0][0], line[0][2]] for line in lines])  # np.ravel 將二維列表展平為一維數(shù)組
    y_coords = np.ravel([[line[0][1], line[0][3]] for line in lines])
    # 2. 進(jìn)行直線擬合.得到多項(xiàng)式系數(shù)
    poly = np.polyfit(x_coords, y_coords, deg=1)
    # 3. 根據(jù)多項(xiàng)式系數(shù),計(jì)算兩個(gè)直線上的點(diǎn),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=np.int32)


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

直線繪制

繪制車道線 cv2.line

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-29 16:23
import cv2
import numpy as np


def calculate_slope(line):
    """
    計(jì)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('masked_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]
    while len(lines) > 0:
        mean = np.mean(slopes)
        diff = [abs(s - mean) for s in slopes]
        idx = np.argmax(diff)
        if diff[idx] > threshold:
            slopes.pop(idx)
            lines.pop(idx)
        else:
            break
    return lines


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


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(diǎn),np.array([[xmin, ymin], [xmax, ymax]])
    """
    # 1. 取出所有坐標(biāo)點(diǎn)
    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(jìn)行直線擬合.得到多項(xiàng)式系數(shù)
    poly = np.polyfit(x_coords, y_coords, deg=1)
    # 3. 根據(jù)多項(xiàng)式系數(shù),計(jì)算兩個(gè)直線上的點(diǎn),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=np.int32)


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)

重難點(diǎn)講解：least_squares_fit（）函數(shù)講解

該函數(shù)主要做了三個(gè)部分：提取坐標(biāo)點(diǎn)、進(jìn)行直線擬合、計(jì)算直線上的兩個(gè)點(diǎn)。

1. 提取所有坐標(biāo)點(diǎn)

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])

lines：
- 輸入的線段集合，每個(gè)線段是一個(gè)形狀為 (1, 4) 的 NumPy 數(shù)組，表示線段的兩個(gè)端點(diǎn)坐標(biāo) [x1,y1,x2,y2]。
x_coords：
- 提取所有線段的 x 坐標(biāo)。line[0][0] 是起點(diǎn)的 x 坐標(biāo)，line[0][2] 是終點(diǎn)的 x 坐標(biāo)。
- 使用列表推導(dǎo)式 [[line[0][0], line[0][2]] for line in lines] 生成一個(gè)二維列表，包含所有線段的起點(diǎn)和終點(diǎn)的 x 坐標(biāo)。
- 使用 np.ravel 將二維列表展平為一維數(shù)組。
y_coords：
- 提取所有線段的 y 坐標(biāo)。line[0][1] 是起點(diǎn)的 y 坐標(biāo)，line[0][3] 是終點(diǎn)的 y 坐標(biāo)。
- 使用列表推導(dǎo)式 [[line[0][1], line[0][3]] for line in lines] 生成一個(gè)二維列表，包含所有線段的起點(diǎn)和終點(diǎn)的 y 坐標(biāo)。
- 使用 np.ravel 將二維列表展平為一維數(shù)組。

2. 進(jìn)行直線擬合

poly = np.polyfit(x_coords, y_coords, deg=1)

np.polyfit：
- 這是 NumPy 中的一個(gè)函數(shù)，用于對(duì)給定的數(shù)據(jù)點(diǎn)進(jìn)行多項(xiàng)式擬合。
- 參數(shù)：
  - x_coords：自變量 x 的值。
  - y_coords：因變量 y 的值。
  - deg=1：指定擬合多項(xiàng)式的次數(shù)為 1，即線性擬合。
- 返回值：
  - 返回?cái)M合多項(xiàng)式的系數(shù)，從最高次項(xiàng)到常數(shù)項(xiàng)。對(duì)于線性擬合，返回兩個(gè)值 [slope, intercept]，分別表示直線的斜率和截距。

3. 計(jì)算直線上的兩個(gè)點(diǎn)

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)))

np.min(x_coords) 和 np.max(x_coords)：
- 分別計(jì)算 x 坐標(biāo)中的最小值和最大值。
np.polyval(poly, x)：
- 這是 NumPy 中的一個(gè)函數(shù)，用于計(jì)算多項(xiàng)式在給定的 x 值處的 y 值。
- 參數(shù)：
  - poly：擬合多項(xiàng)式的系數(shù)數(shù)組。
  - x：輸入的 x 值。
- 返回值：
  - 返回多項(xiàng)式在 x 處的 y 值。
point_min 和 point_max：
- point_min 是直線上的一個(gè)點(diǎn)，其 x 坐標(biāo)為最小值，y 坐標(biāo)通過(guò)多項(xiàng)式計(jì)算得到。
- point_max 是直線上的一個(gè)點(diǎn)，其 x 坐標(biāo)為最大值，y 坐標(biāo)通過(guò)多項(xiàng)式計(jì)算得到。

4. 返回值

return np.array([point_min, point_max], dtype=np.int32)

返回一個(gè)形狀為 (2, 2) 的 NumPy 數(shù)組，表示直線上的兩個(gè)點(diǎn)的坐標(biāo)。這兩個(gè)點(diǎn)可以唯一確定一條直線。

視頻流讀寫

cv2.VideoCapture

? capture.read

基礎(chǔ)代碼介紹：

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-29 17:06
import cv2

capture = cv2.VideoCapture('video.mp4')
# capture = cv2.VideoCapture(0) #讀取當(dāng)前設(shè)備第0個(gè)攝像頭
while True:
    ret, frame = capture.read()  # ret 視頻流的狀態(tài)，frame 當(dāng)前幀的圖像
    cv2.imshow('frame', frame)
    cv2.waitKey(20)  # 相當(dāng)于播放速率

cv2.VideoWriter

最后我們不僅可以識(shí)別圖片的車道線還可以識(shí)別視頻的車道線，原理相同，因?yàn)橐曨l是一幀一幀的，每一幀就是一個(gè)圖片。

# @Author : LiZhongzheng
# 開(kāi)發(fā)時(shí)間  ：2025-04-29 17:12
import cv2
import numpy as np


def get_edge_img(color_img, gaussian_ksize=5, gaussian_sigmax=1, canny_threshold1=50, canny_threshold2=100):
    """
    灰度化,模糊,canny變換,提取邊緣
    :param color_img: 彩色圖,channels=3
    """
    """
    cv2.GaussianBlur() 函數(shù)參數(shù)
    color_img：
    輸入的彩色圖像，必須是 3 通道的 BGR 圖像。
    gaussian_ksize（可選）：
    高斯模糊的核大小。必須是正奇數(shù)，默認(rèn)值為 5。
    gaussian_sigmax（可選）：
    高斯模糊的 X 方向標(biāo)準(zhǔn)差，默認(rèn)值為 1。
    """
    gaussian = cv2.GaussianBlur(color_img, (gaussian_ksize, gaussian_ksize),
                                gaussian_sigmax)  # 使用 cv2.GaussianBlur 對(duì)輸入圖像進(jìn)行高斯模糊處理。高斯模糊可以減少圖像中的噪聲，使邊緣檢測(cè)更加穩(wěn)定。
    gray_img = cv2.cvtColor(gaussian, cv2.COLOR_BGR2GRAY)
    edges_img = cv2.Canny(gray_img, canny_threshold1, canny_threshold2)
    return edges_img


def roi_mask(gray_img):
    """
    對(duì)gray_img進(jìn)行掩膜
    :param gray_img: 灰度圖,channels=1
    """
    poly_pts = np.array([[[0, 368], [300, 210], [340, 210], [640, 368]]])
    mask = np.zeros_like(gray_img)
    mask = cv2.fillPoly(mask, pts=poly_pts, color=255)
    img_mask = cv2.bitwise_and(gray_img, mask)
    return img_mask


def get_lines(edge_img):
    """
    獲取edge_img中的所有線段
    :param edge_img: 標(biāo)記邊緣的灰度圖
    """

    def calculate_slope(line):
        """
        計(jì)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)

    def reject_abnormal_lines(lines, threshold=0.2):
        """
        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]
        while len(lines) > 0:
            mean = np.mean(slopes)
            diff = [abs(s - mean) for s in slopes]
            idx = np.argmax(diff)
            if (diff[idx] > threshold):
                slopes.pop(idx)
                diff.pop(idx)
            else:
                break
        return lines

    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(diǎn),np.array([[xmin, ymin], [xmax, ymax]])
        """
        """
        np.polyfit 是 NumPy 庫(kù)中的一個(gè)函數(shù)，用于對(duì)給定的數(shù)據(jù)點(diǎn)進(jìn)行多項(xiàng)式擬合。
        它通過(guò)最小二乘法找到一個(gè)多項(xiàng)式，使得這個(gè)多項(xiàng)式在給定數(shù)據(jù)點(diǎn)上的值與實(shí)際值之間的誤差平方和最小。
        """
        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])
        poly = np.polyfit(x_coords, y_coords, deg=1)
        point_min = (np.min(x_coords), np.polyval(poly, np.min(
            x_coords)))  # 這行代碼的作用是計(jì)算擬合直線（或多項(xiàng)式曲線）上的一個(gè)特定點(diǎn)的坐標(biāo)。具體來(lái)說(shuō)，它計(jì)算的是當(dāng) x 取最小值時(shí)，對(duì)應(yīng)的 y 值，并將這個(gè)點(diǎn)的坐標(biāo)存儲(chǔ)為一個(gè)元組 (x_min, y_min)。
        point_max = (np.max(x_coords), np.polyval(poly, np.max(x_coords)))
        return np.array([point_min, point_max], dtype=np.int32)

    # 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]
    # 剔除離群線段
    left_lines = reject_abnormal_lines(left_lines)
    right_lines = reject_abnormal_lines(right_lines)

    return least_squares_fit(left_lines), least_squares_fit(right_lines)


def draw_lines(img, lines):
    """
    在img上繪制lines
    :param img:
    :param lines: 兩條線段: [np.array([[xmin1, ymin1], [xmax1, ymax1]]), np.array([[xmin2, ymin2], [xmax2, ymax2]])]
    :return:
    """
    left_line, right_line = lines
    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)


def show_lane(color_img):  # 封裝
    """
    在color_img上畫出車道線
    :param color_img: 彩色圖,channels=3
    :return:
    """
    edge_img = get_edge_img(color_img)
    mask_gray_img = roi_mask(edge_img)
    lines = get_lines(mask_gray_img)
    draw_lines(color_img, lines)
    return color_img


if __name__ == '__main__':
    capture = cv2.VideoCapture('video.mp4')
    while True:
        ret, frame = capture.read()
        frame = show_lane(frame)
        cv2.imshow('frame', frame)
        cv2.waitKey(10)

以上就是我對(duì)這個(gè)項(xiàng)目的總結(jié)。

同時(shí)再次說(shuō)明我已經(jīng)將項(xiàng)目上傳到github項(xiàng)目中，歡迎大家多多支持，你們的支持是我最大的前進(jìn)動(dòng)力~~~

再次感謝b站up主 嘉然今天吃帶變，以及各位大佬的寶貴意見(jiàn)。

祝好~

posted @ 2025-04-29 21:27 蝦餃愛(ài)下棋閱讀(599) 評(píng)論(2) 收藏舉報(bào)

刷新頁(yè)面返回頂部

Loading

lizhongzheng

越努力越幸運(yùn)

從車道檢測(cè)項(xiàng)目入門open cv

從車道檢測(cè)項(xiàng)目入門open cv

基礎(chǔ)知識(shí)

cv2.imread & cv2.imshow & cv2.imwrite

Canny邊緣檢測(cè)

ROI mask

霍夫變換

離群值過(guò)濾

最小二乘擬合

直線繪制

重難點(diǎn)講解：least_squares_fit（）函數(shù)講解

1. 提取所有坐標(biāo)點(diǎn)

2. 進(jìn)行直線擬合

3. 計(jì)算直線上的兩個(gè)點(diǎn)

4. 返回值

視頻流讀寫

公告