跳到主要内容

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);

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 x1,y1,x2,y2x_{1} , y_{1} ,x_{2} , y_{2}

斜率定义为

slope=y2y1x2x1slope = \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

参考