OpenCV 实现简单车道线检测
读取图像
直接读取图像并转为灰度图像
Mat gray_img;
cvtColor(src_img, gray_img, COLOR_BGR2GRAY);
imshow("src_img", src_img);
提取边缘
使用 Canny 边缘检测方法提取边缘
由于车道线与周围路边有很鲜明的对比，属于强边缘，可以适当提高 canny 算子的阈值，排除掉大部分的干扰
Mat edge_img;
Canny(gray_img, edge_img, 250, 400); // 设置较高的阈值 只保留较强的边缘
imshow("edge_img", edge_img);
设置 ROI 区域
当车辆行驶在道路中时，车道线所处的位置其实是相对固定的，所以可以对图像设置感兴趣区域，进一步排除噪声
设置图像掩码 mask 区域
// 设置梯形区域的四个顶点，用来填充图像
vector<vector<Point> > roi_points{{Point(0, src_img.rows),
Point(src_img.cols * 0.5 - src_img.cols * 0.02, src_img.rows * 0.5),
Point(src_img.cols * 0.5 + src_img.cols * 0.02,src_img.rows * 0.5),
Point(src_img.cols, src_img.rows)}};
Mat mask_img = Mat::zeros(Size(src_img.cols, src_img.rows), CV_8UC1);
fillPoly(mask_img, roi_points, Scalar(255)); // 多边形区域填充
imshow("mask_img", mask_img);
将 mask 与 边缘图进行与运算，得出 ROI 区域的边缘图像
Mat bin_img;
bitwise_and(edge_img, mask_img, bin_img);
imshow("bin_img", bin_img);
霍夫变换提取直线
对最终得出的边缘图像进行累计概率霍夫变换
设置参数，并绘制提取出的直线
vector<Vec4f> plines;
HoughLinesP(bin_img, plines, 6, CV_PI / 180.0, 160, 40, 25);
for (size_t i = 0; i < plines.size(); i++) {
Vec4f hline = plines[i];
line(src_img, Point(hline[0], hline[1]), Point(hline[2], hline[3]), Scalar(100, 200, 0), 2, 8, 0);
}
关于 HoughLinesP() 参数的设置，可以看这里
提取出直线后，需要对这些直线进行分组，区分它们是左边的车道线还是右边的车道线
HoughLinesP()函数会返回一个有 4 个元素的vector，分别存储一条线段的两个端点的坐标值 $x{1} , y{1} ,x{2} , y{2}$
斜率定义为
$$ slope = \frac{y{2} - y{1}}{x{2} - x{1}} $$
在图象中，斜率为负的直线为左车道线，斜率为正的则为右车道线
并且两侧车道线的斜率都会在一定的范围内，可以通过设置这个范围，过滤掉一些不想要的直线
vector<Point> left_ps;
vector<Point> right_ps;
vector<Vec4f> plines;
HoughLinesP(bin_img, plines, 6, CV_PI / 180.0, 160, 40, 25);
for (size_t i = 0; i < plines.size(); i++) {
Vec4f hline = plines[i];
float slope = (hline[3] - hline[1]) / (hline[2] - hline[0]);
if (fabs(slope) < 0.5){continue;}
if (slope < 0){
left_ps.push_back(Point(hline[0], hline[1]));
left_ps.push_back(Point(hline[2], hline[3]));
} else {
right_ps.push_back(Point(hline[0], hline[1]));
right_ps.push_back(Point(hline[2], hline[3]));
}
}
绘制分组好的左右两侧线段的特征点，得到如下效果
图中将左侧的特征点标记为蓝色，右侧的特征点标记为橙色
最小二乘法拟合直线
上一步我们已经分组好了左右两侧车道线的特征点，并存放在两个 vector 中，对这些特征点进行最小二乘拟合，分别得出最优的两侧车道线
我们可以直接使用 OpenCV 自带的函数 cv::fitLine() 实现最小二乘法拟合
Vec4f left_line = fitline(src_img, left_ps); // 自定义拟合函数，将拟合出的直线保存为线段
Vec4f right_line = fitline(src_img, right_ps);
line(dst_img, Point(left_line[0], left_line[1]), Point(left_line[2], left_line[3]), Scalar(255, 100, 0), 4, 8, 0);
line(dst_img, Point(right_line[0], right_line[1]), Point(right_line[2], right_line[3]), Scalar(0, 100, 255), 4, 8, 0);
拟合效果如下
已经很好的检测出了车道线的位置，
- 拟合直线函数
Vec4f fitline(Mat &src_img, vector<Point> points){
Vec4f fit_line;
fitLine(points, fit_line, DIST_L2, 0, 1e-2, 1e-2);
Point p_0;
p_0.x = fit_line[2];
p_0.y = fit_line[3];
cout << p_0.x <<endl <<p_0.y;
double slope = fit_line[1] / fit_line[0];
Point p_1, p_2;
if (slope < 0)
{
p_1.x = 0;
p_1.y = slope * (p_1.x - p_0.x) + p_0.y;
p_2.x = src_img.cols * 0.5 - src_img.cols * 0.02;
p_2.y = slope * (p_2.x - p_0.x) + p_0.y;
}
else
{
p_1.x = src_img.cols * 0.5 + src_img.cols * 0.02;
p_1.y = slope * (p_1.x - p_0.x) + p_0.y;
p_2.x = src_img.cols;
p_2.y = slope * (p_2.x - p_0.x) + p_0.y;
}
Vec4f line;
line[0] = p_1.x;
line[1] = p_1.y;
line[2] = p_2.x;
line[3] = p_2.y;
return line;
}
再将得到的左右两条车道线中间的区域做填充，对当前的车道就做出来很好的检测
Mat dst_mask_img;
src_img.copyTo(dst_mask_img);
vector<vector<Point> > dst_mask_points{{Point(left_line[0], left_line[1]),Point(left_line[2], left_line[3]),Point(right_line[0], right_line[1]),Point(right_line[2], right_line[3])}};
fillPoly(dst_mask_img, dst_mask_points, Scalar(50, 255, 50));
addWeighted(src_img, 0.7, dst_mask_img, 0.3, 0, dst_img );
总结
当前只是最较为单一的情况做出来车道线检测
用霍夫线变换检测直线的情况对弯道并不适用
- 将方案改进为拟合曲线，应该能对弯道有用
ROI 区域根据相机相对于车辆的位置不同还需要调整
仅仅进行车道线的检测还远远不够，之后还需要加入对路上的汽车进行目标检测，并计算安全距离等，道路上的各种交通信号标识也需要检测