使用OpenCV对车道进行实时检测的实现示例代码

1. 简介

OpenCV是一个流行的开源计算机视觉库，它包含了各种图像处理和计算机视觉算法。本文将展示如何使用OpenCV来进行车道检测，并对其进行实时跟踪。车道检测是自动驾驶汽车中非常重要的一步，通过对车道的检测，我们可以确定车辆的位置和朝向，从而更好地进行导航。

2. 实现过程

2.1 准备工作

在开始编写代码之前，需要先安装OpenCV库，并准备好测试用的视频。在本文中，我将使用名为lanelines.mp4的测试视频。

2.2 视频读取与显示

首先，我们需要读取视频，并将其显示出来。下面是相关代码：

import cv2

video = cv2.VideoCapture('lanelines.mp4')
while True:
    ret, frame = video.read()
    
    if not ret:
        break
        
    cv2.imshow('Video', frame)
    
    if cv2.waitKey(1) == ord('q'):
        break
        
video.release()
cv2.destroyAllWindows()

上述代码中，我们使用了cv2.VideoCapture()函数来读取视频文件，这个函数会返回一个VideoCapture对象，我们可以使用该对象来读取视频的每一帧。在每一帧读取完成后，我们可以调用cv2.imshow()函数将其显示在屏幕上。如果用户输入了q键，则退出程序并关闭所有窗口。

需要注意的一点是，在使用cv2.imshow()之前，需要先使用cv2.namedWindow()函数来创建窗口，否则程序会无响应。

2.3 预处理

接下来，我们需要对每一帧进行预处理，以便于后续的车道检测。我们需要完成以下几个步骤：

将图像转换为灰度图像

应用高斯模糊

使用Canny算法检测边缘

选择感兴趣区域，并进行掩码操作，以便于仅保留车道线段

下面是完整代码：

import cv2

import numpy as np
video = cv2.VideoCapture('lanelines.mp4')
while True:
    ret, frame = video.read()
    
    if not ret:
        break
        
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 应用高斯模糊
    kernel_size = 5
    blur_gray = cv2.GaussianBlur(gray, (kernel_size, kernel_size), 0)
    
    # 使用Canny算法检测边缘
    low_threshold = 50
    high_threshold = 150
    edges = cv2.Canny(blur_gray, low_threshold, high_threshold)
    
    # 选择感兴趣区域，并进行掩码操作，以便于仅保留车道线段
    mask = np.zeros_like(edges)
    ignore_mask_color = 255
    
    imshape = frame.shape
    vertices = np.array([[(0, imshape[0]), (460, 320), (520, 320), (imshape[1], imshape[0])]], dtype=np.int32)
    
    cv2.fillPoly(mask, vertices, ignore_mask_color)
    masked_edges = cv2.bitwise_and(edges, mask)
    
    cv2.imshow('Video', masked_edges)
    
    if cv2.waitKey(1) == ord('q'):
        break
        
video.release()
cv2.destroyAllWindows()

在以上代码中，我们使用cv2.cvtColor()函数将图像从BGR格式转换为灰度图像格式，使用cv2.GaussianBlur()函数对其进行高斯模糊处理，使用cv2.Canny()函数检测边缘。我们还定义了一个用于选择感兴趣区域的多边形，将图片分为了矩形区域和梯形区域两部分（mask可自由设置，位置应该包含车道线部分），并使用cv2.fillPoly()函数进行掩码操作，仅保留车道线段。

2.4 车道检测

在对每一帧图像进行预处理后，我们就可以进行车道检测了。我们将使用霍夫变换和二次函数拟合来检测车道线。下面是代码：

import cv2

import numpy as np
video = cv2.VideoCapture('lanelines.mp4')
while True:
    ret, frame = video.read()
    
    if not ret:
        break
        
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 应用高斯模糊
    kernel_size = 5
    blur_gray = cv2.GaussianBlur(gray, (kernel_size, kernel_size), 0)
    
    # 使用Canny算法检测边缘
    low_threshold = 50
    high_threshold = 150
    edges = cv2.Canny(blur_gray, low_threshold, high_threshold)
    
    # 选择感兴趣区域，并进行掩码操作，以便于仅保留车道线段
    mask = np.zeros_like(edges)
    ignore_mask_color = 255
    
    imshape = frame.shape
    vertices = np.array([[(0, imshape[0]), (460, 320), (520, 320), (imshape[1], imshape[0])]], dtype=np.int32)
    
    cv2.fillPoly(mask, vertices, ignore_mask_color)
    masked_edges = cv2.bitwise_and(edges, mask)
    
    # 霍夫变换检测线段，并拟合二次函数
    rho = 2
    theta = np.pi/180
    threshold = 40
    min_line_length = 10
    max_line_gap = 20
    
    lines = cv2.HoughLinesP(masked_edges, rho, theta, threshold, np.array([]),
                            min_line_length, max_line_gap)
    
    left_fit = []
    right_fit = []
    
    for line in lines:
        for x1, y1, x2, y2 in line:
            slope = (y2 - y1) / (x2 - x1)
            
            if abs(slope) < 0.5:
                continue
                
            if slope < 0:
                left_fit.append((x1, y1))
                left_fit.append((x2, y2))
            else:
                right_fit.append((x1, y1))
                right_fit.append((x2, y2))
    
    if len(left_fit) > 0 and len(right_fit) > 0:
        left_fit_x, left_fit_y = zip(*left_fit)
        right_fit_x, right_fit_y = zip(*right_fit)
        
        left_fit_curve = np.polyfit(left_fit_y, left_fit_x, 2)
        right_fit_curve = np.polyfit(right_fit_y, right_fit_x, 2)
        
        plot_y = np.linspace(0, frame.shape[0] - 1, frame.shape[0])
        left_fit_x = left_fit_curve[0] * plot_y ** 2 + left_fit_curve[1] * plot_y + left_fit_curve[2]
        right_fit_x = right_fit_curve[0] * plot_y ** 2 + right_fit_curve[1] * plot_y + right_fit_curve[2]
        
        blank = np.zeros_like(frame)
        color = [0, 255, 0]
        thickness = 10
        
        left_line = np.array(list(zip(left_fit_x, plot_y)), np.int32)
        right_line = np.array(list(zip(right_fit_x, plot_y)), np.int32)
        cv2.polylines(blank, [left_line], False, color, thickness)
        cv2.polylines(blank, [right_line], False, color, thickness)
        
        result = cv2.addWeighted(frame, 0.8, blank, 1, 0)
        cv2.imshow('Video', result)
    else:
        cv2.imshow('Video', frame)
    
    if cv2.waitKey(1) == ord('q'):
        break
        
video.release()
cv2.destroyAllWindows()

在以上代码中，我们首先使用cv2.HoughLinesP()函数检测线段，然后筛选出斜率在0.5到正无穷之间的线段，分别存入左侧车道和右侧车道的列表中。接着，我们使用np.polyfit()函数对左侧车道和右侧车道的线段进行二次函数拟合，得到其拟合曲线。最后，我们使用cv2.polylines()函数将拟合曲线画在一张全黑的背景上。需要注意的是，在进行车道检测时，我们需要在相邻帧之间进行线段匹配，以便于产生平滑的车道线。

3. 结论

本文介绍了如何使用OpenCV来进行车道检测，其中包括视频读取与显示、预处理（灰度化、高斯模糊、Canny检测、掩码），以及车道检测（霍夫变换、二次函数拟合）。欢迎读者在自己的项目中尝试使用这些技术。