OpenCV怎么實現車道線識別

OpenCV怎么實現車道線識別

車道線識別是自動駕駛和高級駕駛輔助系統（ADAS）中的關鍵技術之一。通過識別車道線，車輛可以保持在車道內行駛，避免偏離車道或發生碰撞。OpenCV（Open Source Computer Vision Library）是一個開源的計算機視覺庫，提供了豐富的圖像處理和計算機視覺算法，非常適合用于車道線識別。本文將詳細介紹如何使用OpenCV實現車道線識別，包括圖像預處理、邊緣檢測、霍夫變換、車道線擬合和可視化等步驟。

1. 環境準備

在開始之前，確保你已經安裝了OpenCV和Python。你可以通過以下命令安裝OpenCV：

pip install opencv-python

此外，為了進行圖像處理和可視化，你可能還需要安裝NumPy和Matplotlib：

pip install numpy matplotlib

2. 圖像預處理

車道線識別的第一步是對輸入圖像進行預處理，以便更好地提取車道線信息。常見的預處理步驟包括灰度化、高斯模糊和Canny邊緣檢測。

2.1 讀取圖像

首先，我們需要讀取輸入圖像。假設我們有一張名為lane.jpg的車道圖像：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('lane.jpg')

# 將圖像從BGR轉換為RGB格式
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 顯示圖像
plt.imshow(image)
plt.title('Original Image')
plt.show()

2.2 灰度化

將彩色圖像轉換為灰度圖像可以減少計算量，同時保留車道線的邊緣信息：

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

# 顯示灰度圖像
plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.show()

2.3 高斯模糊

高斯模糊可以平滑圖像，減少噪聲和細節，使得邊緣檢測更加準確：

# 應用高斯模糊
blur = cv2.GaussianBlur(gray, (5, 5), 0)

# 顯示模糊后的圖像
plt.imshow(blur, cmap='gray')
plt.title('Blurred Image')
plt.show()

2.4 Canny邊緣檢測

Canny邊緣檢測是一種常用的邊緣檢測算法，可以有效地檢測圖像中的邊緣：

# 應用Canny邊緣檢測
edges = cv2.Canny(blur, 50, 150)

# 顯示邊緣檢測結果
plt.imshow(edges, cmap='gray')
plt.title('Canny Edges')
plt.show()

3. 感興趣區域（ROI）提取

在實際應用中，車道線通常位于圖像的下半部分。因此，我們可以通過定義一個感興趣區域（ROI）來減少計算量，并提高車道線檢測的準確性。

# 定義感興趣區域的頂點
height, width = edges.shape
roi_vertices = np.array([[(0, height), (width / 2, height / 2), (width, height)]], dtype=np.int32)

# 創建一個掩碼
mask = np.zeros_like(edges)
cv2.fillPoly(mask, roi_vertices, 255)

# 應用掩碼
masked_edges = cv2.bitwise_and(edges, mask)

# 顯示掩碼后的邊緣圖像
plt.imshow(masked_edges, cmap='gray')
plt.title('Masked Edges')
plt.show()

4. 霍夫變換檢測直線

霍夫變換是一種用于檢測圖像中直線的技術。我們可以使用霍夫變換來檢測車道線。

# 應用霍夫變換檢測直線
lines = cv2.HoughLinesP(masked_edges, rho=1, theta=np.pi/180, threshold=50, minLineLength=50, maxLineGap=100)

# 創建一個空白圖像用于繪制檢測到的直線
line_image = np.zeros_like(image)

# 繪制檢測到的直線
if lines is not None:
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 10)

# 將檢測到的直線疊加到原始圖像上
combined_image = cv2.addWeighted(image, 0.8, line_image, 1, 0)

# 顯示結果
plt.imshow(combined_image)
plt.title('Detected Lines')
plt.show()

5. 車道線擬合

通過霍夫變換檢測到的直線可能不是完整的車道線。為了得到更準確的車道線，我們可以對檢測到的直線進行擬合。

5.1 分離左右車道線

首先，我們需要將檢測到的直線分為左右兩組，分別對應左右車道線。

# 初始化左右車道線的點
left_lines = []
right_lines = []

# 遍歷所有檢測到的直線
for line in lines:
    x1, y1, x2, y2 = line[0]
    # 計算直線的斜率
    slope = (y2 - y1) / (x2 - x1)
    # 根據斜率將直線分為左右兩組
    if slope < 0:
        left_lines.append(line)
    else:
        right_lines.append(line)

5.2 擬合直線

接下來，我們可以使用最小二乘法對左右車道線的點進行擬合，得到左右車道線的方程。

# 擬合左車道線
left_points = np.array([(x1, y1) for line in left_lines for x1, y1, x2, y2 in line])
left_fit = np.polyfit(left_points[:, 0], left_points[:, 1], 1)

# 擬合右車道線
right_points = np.array([(x1, y1) for line in right_lines for x1, y1, x2, y2 in line])
right_fit = np.polyfit(right_points[:, 0], right_points[:, 1], 1)

5.3 繪制擬合的車道線

最后，我們可以將擬合的車道線繪制到圖像上。

# 創建一個空白圖像用于繪制擬合的車道線
line_image = np.zeros_like(image)

# 計算左右車道線的起點和終點
y1 = height
y2 = int(height / 2)
left_x1 = int((y1 - left_fit[1]) / left_fit[0])
left_x2 = int((y2 - left_fit[1]) / left_fit[0])
right_x1 = int((y1 - right_fit[1]) / right_fit[0])
right_x2 = int((y2 - right_fit[1]) / right_fit[0])

# 繪制左車道線
cv2.line(line_image, (left_x1, y1), (left_x2, y2), (255, 0, 0), 10)
# 繪制右車道線
cv2.line(line_image, (right_x1, y1), (right_x2, y2), (255, 0, 0), 10)

# 將擬合的車道線疊加到原始圖像上
combined_image = cv2.addWeighted(image, 0.8, line_image, 1, 0)

# 顯示結果
plt.imshow(combined_image)
plt.title('Fitted Lane Lines')
plt.show()

6. 車道線識別結果的可視化

為了更直觀地展示車道線識別的結果，我們可以將原始圖像、邊緣檢測結果、霍夫變換檢測到的直線以及擬合的車道線進行對比展示。

# 創建一個包含四個子圖的圖像
fig, axes = plt.subplots(2, 2, figsize=(15, 10))

# 顯示原始圖像
axes[0, 0].imshow(image)
axes[0, 0].set_title('Original Image')

# 顯示邊緣檢測結果
axes[0, 1].imshow(edges, cmap='gray')
axes[0, 1].set_title('Canny Edges')

# 顯示霍夫變換檢測到的直線
axes[1, 0].imshow(combined_image)
axes[1, 0].set_title('Detected Lines')

# 顯示擬合的車道線
axes[1, 1].imshow(combined_image)
axes[1, 1].set_title('Fitted Lane Lines')

# 調整子圖之間的間距
plt.tight_layout()

# 顯示圖像
plt.show()

7. 總結

本文詳細介紹了如何使用OpenCV實現車道線識別。通過圖像預處理、邊緣檢測、霍夫變換、車道線擬合和可視化等步驟，我們可以有效地檢測和識別車道線。雖然本文的方法在簡單場景下表現良好，但在復雜場景（如彎道、陰影、光照變化等）下可能需要進行進一步的優化和改進。希望本文能為讀者提供車道線識別的基本思路和方法，并為后續的研究和開發提供參考。

8. 參考文獻

1. OpenCV官方文檔: https://docs.opencv.org/
2. Canny邊緣檢測: https://en.wikipedia.org/wiki/Canny_edge_detector
3. 霍夫變換: https://en.wikipedia.org/wiki/Hough_transform
4. 最小二乘法: https://en.wikipedia.org/wiki/Least_squares

9. 附錄

9.1 完整代碼

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('lane.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 灰度化
gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

# 高斯模糊
blur = cv2.GaussianBlur(gray, (5, 5), 0)

# Canny邊緣檢測
edges = cv2.Canny(blur, 50, 150)

# 定義感興趣區域
height, width = edges.shape
roi_vertices = np.array([[(0, height), (width / 2, height / 2), (width, height)]], dtype=np.int32)
mask = np.zeros_like(edges)
cv2.fillPoly(mask, roi_vertices, 255)
masked_edges = cv2.bitwise_and(edges, mask)

# 霍夫變換檢測直線
lines = cv2.HoughLinesP(masked_edges, rho=1, theta=np.pi/180, threshold=50, minLineLength=50, maxLineGap=100)
line_image = np.zeros_like(image)
if lines is not None:
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 10)
combined_image = cv2.addWeighted(image, 0.8, line_image, 1, 0)

# 分離左右車道線
left_lines = []
right_lines = []
for line in lines:
    x1, y1, x2, y2 = line[0]
    slope = (y2 - y1) / (x2 - x1)
    if slope < 0:
        left_lines.append(line)
    else:
        right_lines.append(line)

# 擬合左車道線
left_points = np.array([(x1, y1) for line in left_lines for x1, y1, x2, y2 in line])
left_fit = np.polyfit(left_points[:, 0], left_points[:, 1], 1)

# 擬合右車道線
right_points = np.array([(x1, y1) for line in right_lines for x1, y1, x2, y2 in line])
right_fit = np.polyfit(right_points[:, 0], right_points[:, 1], 1)

# 繪制擬合的車道線
line_image = np.zeros_like(image)
y1 = height
y2 = int(height / 2)
left_x1 = int((y1 - left_fit[1]) / left_fit[0])
left_x2 = int((y2 - left_fit[1]) / left_fit[0])
right_x1 = int((y1 - right_fit[1]) / right_fit[0])
right_x2 = int((y2 - right_fit[1]) / right_fit[0])
cv2.line(line_image, (left_x1, y1), (left_x2, y2), (255, 0, 0), 10)
cv2.line(line_image, (right_x1, y1), (right_x2, y2), (255, 0, 0), 10)
combined_image = cv2.addWeighted(image, 0.8, line_image, 1, 0)

# 顯示結果
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
axes[0, 0].imshow(image)
axes[0, 0].set_title('Original Image')
axes[0, 1].imshow(edges, cmap='gray')
axes[0, 1].set_title('Canny Edges')
axes[1, 0].imshow(combined_image)
axes[1, 0].set_title('Detected Lines')
axes[1, 1].imshow(combined_image)
axes[1, 1].set_title('Fitted Lane Lines')
plt.tight_layout()
plt.show()

9.2 常見問題與解決方案

1. 車道線檢測不準確：可能是由于圖像預處理不夠充分，可以嘗試調整Canny邊緣檢測的閾值或增加高斯模糊的核大小。
2. 車道線擬合不理想：可能是由于霍夫變換檢測到的直線不夠準確，可以嘗試調整霍夫變換的參數或增加最小直線長度。
3. 復雜場景下的車道線識別：在復雜場景下，可能需要結合其他技術（如深度學習）來提高車道線識別的準確性。

9.3 進一步閱讀

1. 深度學習在車道線識別中的應用：近年來，深度學習技術在車道線識別中取得了顯著進展，可以進一步研究基于深度學習的車道線檢測方法。
2. 多車道線識別：本文主要介紹了單車道線的識別方法，可以進一步研究多車道線的識別和跟蹤。
3. 實時車道線識別：在實際應用中，車道線識別需要實時進行，可以進一步研究如何優化算法以提高實時性。

希望本文能為讀者提供車道線識別的基本思路和方法，并為后續的研究和開發提供參考。