透視變換

透視變換是將成像投影到一個(gè)新的視平面(鳥瞰圖)。車載相機(jī)拍攝到的圖像中,由于受相機(jī)角度和高度的影響往往會(huì)將平行的車道線拍成梯形,這樣的圖像會(huì)給后續(xù)檢測帶來較大難度,所以需要我們對原圖進(jìn)行透視變換,從而得到一張鳥瞰圖。

具體思路是,先讀取兩組坐標(biāo)(例如原圖像的四點(diǎn)坐標(biāo)和目標(biāo)圖像的四點(diǎn)坐標(biāo)),計(jì)算變換矩陣;然后根據(jù)變換矩陣對圖像進(jìn)行透視變換,并輸出到目標(biāo)圖像。

相機(jī)標(biāo)定

由于一般相機(jī)都多少存在畸變,而自動(dòng)駕駛需要準(zhǔn)確的車道曲率以執(zhí)行正確的方向控制,因此需要對相機(jī)進(jìn)行校正。首先讀取兩個(gè)坐標(biāo)數(shù)組,計(jì)算變換矩陣;然后根據(jù)變換矩陣對原圖進(jìn)行透視變換,并輸出到目標(biāo)畫布。

確定相機(jī)內(nèi)參和畸變參數(shù)的過程就叫做相機(jī)標(biāo)定。一般只需要一幅圖像(國際象棋棋盤圖像較為常用)就可以進(jìn)行相機(jī)標(biāo)定。標(biāo)定時(shí)只需要從不同角度拍攝棋盤圖案,通過檢測棋盤圖案中的角點(diǎn),得到角點(diǎn)像素,并且我們已知真實(shí)世界中的對象角點(diǎn)坐標(biāo) ,便可進(jìn)行相機(jī)校正。若要進(jìn)行精確的標(biāo)定,通常從不同角度對同一棋盤拍攝多張照片(10-20張)。

直方圖濾波

簡單來說,就是沿著X軸統(tǒng)計(jì)每列像素的數(shù)值,并用直方圖表示。其中峰值位置的x坐標(biāo)則對應(yīng)左右兩側(cè)的車道線。通過這種方式,來獲取車道線位置信息。

圖片來自Udacity無人駕駛課程

初級(jí)車道線檢測算法--直線

顏色閾值處理

讀取圖片,對顏色RGB分別設(shè)置閾值,將高于所設(shè)閾值的像素(較亮的白色部分)分離出來。# 讀取圖片image = mpimg．imread('test．jpg')ysize = image．shape[0]xsize = image．shape[1]color_select = np．copy(image)

# 對RGB通道分別設(shè)置閾值red_threshold = 200 #Tuninggreen_threshold = 200 #Tuningblue_threshold = 200 #Tuning

# 將所設(shè)閾值以下的任何像素都設(shè)置為0rgb_threshold = [red_threshold, green_threshold, blue_threshold]thresholds = (image[:,:,0] < rgb_threshold[0])             | (image[:,:,1] < rgb_threshold[1])             | (image[:,:,2] < rgb_threshold[2])

color_select[thresholds] = [0,0,0]
提取ROIPython# 首先定義一個(gè)空圖像mask = np．zeros_like(image)   

# 設(shè)置ROI區(qū)域坐標(biāo)(任意多邊形)vertices = np．a(chǎn)rray([[image．shape[1]*．12, image．shape[0]],                     [image．shape[1]*．25,(image．shape[0]+image．shape[0]*．65)/2],                     [image．shape[1]*．42, image．shape[0]*．63],                     [image．shape[1]*．6,image．shape[0]*．63],                     [image．shape[1]*．8,(image．shape[0]+image．shape[0]*．65)/2],                     [image．shape[1]*．95,image．shape[0]]]) #Tuning
# 設(shè)置顏色通道,并填充ROIif len(image．shape) > 2:    channel_count = image．shape[2]  # i．e． 3 or 4 depending on your image    ignore_mask_color = (255,) * channel_countelse:    ignore_mask_color = 255

cv2．fillPoly(mask, vertices, ignore_mask_color)

# 合并得到ROI,其余部分為零masked_image = cv2．bitwise_and(image, mask)

Canny邊緣檢測

# 將圖像轉(zhuǎn)換為灰度圖gray = cv2．cvtColor(image, cv2．COLOR_RGB2GRAY) 

# 進(jìn)行高斯模糊,去除噪聲kernel_size = 3 #Tuningblur_gray = cv2．GaussianBlur(gray,(kernel_size, kernel_size), 0) # 參數(shù)kernel_size可以是任何奇數(shù)

# 計(jì)算梯度(Canny邊緣檢測)low_threshold = 50 #Tuninghigh_threshold = 150 #Tuningedges = cv2．Canny(gray,low_threshold,higy_threshold) # 參數(shù):灰度圖,低閾值,高閾值。輸出為邊緣圖。

霍夫變換

rho = 2 theta = np．pi/180 threshold = 15 min_line_length = 50 max_line_gap = 20 

# rho和theta是霍夫空間的距離和夾角# threshold是通過同一交點(diǎn)的曲線個(gè)數(shù)最小值# min_line_length是直線的最小像素長度# max_line_gap是線與線之間的最大像素長度。輸出為多條直線

lines = cv2．HoughLinesP(masked_edges, rho, theta, threshold, np．a(chǎn)rray([]), min_line_length, max_line_gap)