Python道路車道線檢測的實現(xiàn)
更新時間：2021年06月27日 08:43:33 作者：初遇我ㄖ寸の熱情呢？
在本文中，我們將構建一個機器學習項目來實時檢測車道線。我們將使用 OpenCV 庫使用計算機視覺的概念來做到這一點，感興趣的可以了解一下
車道線檢測是自動駕駛汽車以及一般計算機視覺的關鍵組件。這個概念用于描述自動駕駛汽車的路徑并避免進入另一條車道的風險。
在本文中，我們將構建一個機器學習項目來實時檢測車道線。我們將使用 OpenCV 庫使用計算機視覺的概念來做到這一點。為了檢測車道，我們必須檢測車道兩側的白色標記。
使用 Python 和 OpenCV 進行道路車道線檢測
使用 Python 中的計算機視覺技術，我們將識別自動駕駛汽車必須行駛的道路車道線。這將是自動駕駛汽車的關鍵部分，因為自動駕駛汽車不應該越過它的車道，也不應該進入對面車道以避免事故。
幀掩碼和霍夫線變換
要檢測車道中的白色標記，首先，我們需要屏蔽幀的其余部分。我們使用幀屏蔽來做到這一點。該幀只不過是圖像像素值的 NumPy 數(shù)組。為了掩蓋幀中不必要的像素，我們只需將 NumPy 數(shù)組中的這些像素值更新為 0。
制作后我們需要檢測車道線。用于檢測此類數(shù)學形狀的技術稱為霍夫變換?；舴蜃儞Q可以檢測矩形、圓形、三角形和直線等形狀。
代碼下載
源碼請下載：車道線檢測項目代碼
按照以下步驟在 Python 中進行車道線檢測：
1.導入包
import matplotlib.pyplot as plt import numpy as np import cv2 import os import matplotlib.image as mpimg from moviepy.editor import VideoFileClip import math
2. 應用幀屏蔽并找到感興趣的區(qū)域：
def interested_region(img, vertices):
if len(img.shape) > 2:
mask_color_ignore = (255,) * img.shape[2]
else:
mask_color_ignore = 255
cv2.fillPoly(np.zeros_like(img), vertices, mask_color_ignore)
return cv2.bitwise_and(img, np.zeros_like(img))
3.霍夫變換空間中像素到線的轉換：
def hough_lines(img, rho, theta, threshold, min_line_len, max_line_gap):
lines = cv2.HoughLinesP(img, rho, theta, threshold, np.array([]), minLineLength=min_line_len, maxLineGap=max_line_gap)
line_img = np.zeros((img.shape[0], img.shape[1], 3), dtype=np.uint8)
lines_drawn(line_img,lines)
return line_img
4. 霍夫變換后在每一幀中創(chuàng)建兩條線：
def lines_drawn(img, lines, color=[255, 0, 0], thickness=6):
global cache
global first_frame
slope_l, slope_r = [],[]
lane_l,lane_r = [],[]
α =0.2
for line in lines:
for x1,y1,x2,y2 in line:
slope = (y2-y1)/(x2-x1)
if slope > 0.4:
slope_r.append(slope)
lane_r.append(line)
elif slope < -0.4:
slope_l.append(slope)
lane_l.append(line)
img.shape[0] = min(y1,y2,img.shape[0])
if((len(lane_l) == 0) or (len(lane_r) == 0)):
print ('no lane detected')
return 1
slope_mean_l = np.mean(slope_l,axis =0)
slope_mean_r = np.mean(slope_r,axis =0)
mean_l = np.mean(np.array(lane_l),axis=0)
mean_r = np.mean(np.array(lane_r),axis=0)
if ((slope_mean_r == 0) or (slope_mean_l == 0 )):
print('dividing by zero')
return 1
x1_l = int((img.shape[0] - mean_l[0][1] - (slope_mean_l * mean_l[0][0]))/slope_mean_l)
x2_l = int((img.shape[0] - mean_l[0][1] - (slope_mean_l * mean_l[0][0]))/slope_mean_l)
x1_r = int((img.shape[0] - mean_r[0][1] - (slope_mean_r * mean_r[0][0]))/slope_mean_r)
x2_r = int((img.shape[0] - mean_r[0][1] - (slope_mean_r * mean_r[0][0]))/slope_mean_r)
if x1_l > x1_r:
x1_l = int((x1_l+x1_r)/2)
x1_r = x1_l
y1_l = int((slope_mean_l * x1_l ) + mean_l[0][1] - (slope_mean_l * mean_l[0][0]))
y1_r = int((slope_mean_r * x1_r ) + mean_r[0][1] - (slope_mean_r * mean_r[0][0]))
y2_l = int((slope_mean_l * x2_l ) + mean_l[0][1] - (slope_mean_l * mean_l[0][0]))
y2_r = int((slope_mean_r * x2_r ) + mean_r[0][1] - (slope_mean_r * mean_r[0][0]))
else:
y1_l = img.shape[0]
y2_l = img.shape[0]
y1_r = img.shape[0]
y2_r = img.shape[0]
present_frame = np.array([x1_l,y1_l,x2_l,y2_l,x1_r,y1_r,x2_r,y2_r],dtype ="float32")
if first_frame == 1:
next_frame = present_frame
first_frame = 0
else :
prev_frame = cache
next_frame = (1-α)*prev_frame+α*present_frame
cv2.line(img, (int(next_frame[0]), int(next_frame[1])), (int(next_frame[2]),int(next_frame[3])), color, thickness)
cv2.line(img, (int(next_frame[4]), int(next_frame[5])), (int(next_frame[6]),int(next_frame[7])), color, thickness)
cache = next_frame
5.處理每一幀視頻以檢測車道：
def weighted_img(img, initial_img, α=0.8, β=1., λ=0.):
return cv2.addWeighted(initial_img, α, img, β, λ)
def process_image(image):
global first_frame
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
img_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
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(gray_image, mask_yw)
gauss_gray= cv2.GaussianBlur(mask_yw_image, (5, 5), 0)
canny_edges=cv2.Canny(gauss_gray, 50, 150)
imshape = image.shape
lower_left = [imshape[1]/9,imshape[0]]
lower_right = [imshape[1]-imshape[1]/9,imshape[0]]
top_left = [imshape[1]/2-imshape[1]/8,imshape[0]/2+imshape[0]/10]
top_right = [imshape[1]/2+imshape[1]/8,imshape[0]/2+imshape[0]/10]
vertices = [np.array([lower_left,top_left,top_right,lower_right],dtype=np.int32)]
roi_image = interested_region(canny_edges, vertices)
theta = np.pi/180
line_image = hough_lines(roi_image, 4, theta, 30, 100, 180)
result = weighted_img(line_image, image, α=0.8, β=1., λ=0.)
return result
6. 將輸入視頻剪輯成幀并得到結果輸出視頻文件：
first_frame = 1
white_output = '__path_to_output_file__'
clip1 = VideoFileClip("__path_to_input_file__")
white_clip = clip1.fl_image(process_image)
white_clip.write_videofile(white_output, audio=False)
車道線檢測項目 GUI 代碼：
import tkinter as tk
from tkinter import *
import cv2
from PIL import Image, ImageTk
import os
import numpy as np
global last_frame1
last_frame1 = np.zeros((480, 640, 3), dtype=np.uint8)
global last_frame2
last_frame2 = np.zeros((480, 640, 3), dtype=np.uint8)
global cap1
global cap2
cap1 = cv2.VideoCapture("path_to_input_test_video")
cap2 = cv2.VideoCapture("path_to_resultant_lane_detected_video")
def show_vid():
if not cap1.isOpened():
print("cant open the camera1")
flag1, frame1 = cap1.read()
frame1 = cv2.resize(frame1,(400,500))
if flag1 is None:
print ("Major error!")
elif flag1:
global last_frame1
last_frame1 = frame1.copy()
pic = cv2.cvtColor(last_frame1, cv2.COLOR_BGR2RGB)
img = Image.fromarray(pic)
imgtk = ImageTk.PhotoImage(image=img)
lmain.imgtk = imgtk
lmain.configure(image=imgtk)
lmain.after(10, show_vid)
def show_vid2():
if not cap2.isOpened():
print("cant open the camera2")
flag2, frame2 = cap2.read()
frame2 = cv2.resize(frame2,(400,500))
if flag2 is None:
print ("Major error2!")
elif flag2:
global last_frame2
last_frame2 = frame2.copy()
pic2 = cv2.cvtColor(last_frame2, cv2.COLOR_BGR2RGB)
img2 = Image.fromarray(pic2)
img2tk = ImageTk.PhotoImage(image=img2)
lmain2.img2tk = img2tk
lmain2.configure(image=img2tk)
lmain2.after(10, show_vid2)
if __name__ == '__main__':
root=tk.Tk()
lmain = tk.Label(master=root)
lmain2 = tk.Label(master=root)
lmain.pack(side = LEFT)
lmain2.pack(side = RIGHT)
root.title("Lane-line detection")
root.geometry("900x700+100+10")
exitbutton = Button(root, text='Quit',fg="red",command= root.destroy).pack(side = BOTTOM,)
show_vid()
show_vid2()
root.mainloop()
cap.release()
到此這篇關于Python道路車道線檢測的實現(xiàn)的文章就介紹到這了,更多相關Python 道路車道線檢測內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
相關文章
anaconda升級sklearn版本的實現(xiàn)方法
這篇文章主要介紹了anaconda升級sklearn版本的實現(xiàn)方法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-02-02
這篇文章主要為大家詳細介紹了Python如何使用zmail進行郵件發(fā)送功能,文中的示例代碼講解詳細,具有一定的借鑒價值,有需要的小伙伴可以參考一下2024-03-03
這篇文章主要介紹了python如何統(tǒng)計字符串漢字數(shù)量問題,2024-05-05
這篇文章主要介紹了Pytest接口自動化測試框架搭建模板，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-03-03
利用Python將每日一句定時推送至微信的實現(xiàn)方法
這篇文章主要給大家介紹了關于利用Python將每日一句定時推送至微信的實現(xiàn)方法，文中通過示例代碼將實現(xiàn)的步驟一步步介紹的非常詳細，需要的朋友可以參考借鑒，下面隨著小編來一起學習學習吧2018-08-08
雞群算法，縮寫為CSO(Chicken?Swarm?Optimization)，盡管具備所謂仿生學的背景，但實質上是粒子群算法的一個變體。本文將利用Python語言實現(xiàn)這一算法，感興趣的可以了解一下2022-11-11
這篇文章主要為大家詳細介紹了Python實現(xiàn)搶購IPhone手機，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-02-02
Python實現(xiàn)PowerPoint演示文稿到圖片的批量轉換
PowerPoint演示文稿作為展示創(chuàng)意、分享知識和表達觀點的重要工具,被廣泛應用于教育、商務匯報及個人項目展示等領域,用Python代碼可以高效地實現(xiàn)PowerPoint演示文稿到圖片的批量轉換,從而提升工作效率,文本將介紹如何使用Python實現(xiàn)PowerPoint演示文稿到圖片的轉換2024-06-06
django restframework serializer 增加自定義字段操作
這篇文章主要介紹了django restframework serializer 增加自定義字段操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-07-07
python中的斷言Assertion使用起來很方便，但是也不盡如人意的地方，所以這篇文章通過幾個方面對Python中的斷言進行了改進，感興趣的朋友們可以參考借鑒，下面來一起看看吧。2016-10-10