道路车道检测程序不能正确检测车道

Question

道路车道检测程序不能正确检测车道

pythonopencvimage-processingcomputer-visionhough-transform

3

我正在尝试开发一个能够检测道路上车道的程序。我已经尝试过Hough线变换和概率Hough线变换，但是都没有得到我想要的结果。

原始图像：

霍夫线变换

概率霍夫变换

似乎对于霍夫线变换，我至少可以检测到整个车道，但不幸的是，该线路只会无限延伸（直到它们移出图片），并且各自交点的位置也不是一个良好的图形车道检测标记。

我还尝试了概率霍夫线变换，用于车道检测的绿色线不像另一个方法那样无限延伸，但它无法标记和检测整个车道。

我正在尝试在这里复制结果（通过Python编写）。

http://www.transistor.io/revisiting-lane-detection-using-opencv.html

我该怎么做才能解决这个问题？

代码：

import numpy as np
import cv2
from matplotlib import pyplot as plt
from PIL import Image
import imutils

def invert_img(img):
    img = (255-img)
    return img

def canny(imgray):
    imgray = cv2.GaussianBlur(imgray, (5,5), 200)
    canny_low = 5
    canny_high = 150

    thresh = cv2.Canny(imgray,canny_low,canny_high)
    return thresh

def filtering(imgray):
    thresh = canny(imgray)

    minLineLength = 1
    maxLineGap = 1


    lines = cv2.HoughLines(thresh,1,np.pi/180,0)
    #lines = cv2.HoughLinesP(thresh,2,np.pi/180,100,minLineLength,maxLineGap)
    print lines.shape

    # Code for HoughLinesP
    '''
    for i in range(0,lines.shape[0]):
        for x1,y1,x2,y2 in lines[i]:
            cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)
    '''

    # Code for HoughLines

    for i in range(0,5):
        for rho,theta in lines[i]:
            a = np.cos(theta)
            b = np.sin(theta)
            x0 = a*rho
            y0 = b*rho
            x1 = int(x0 + 1000*(-b))
            y1 = int(y0 + 1000*(a))
            x2 = int(x0 - 1000*(-b))
            y2 = int(y0 - 1000*(a))

            cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2)


    return thresh


img = cv2.imread('images/road_0.bmp')


imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

img = imutils.resize(img, height = 500)
imgray = imutils.resize(imgray, height = 500)

thresh = filtering(imgray)

cv2.imshow('original', img)
cv2.imshow('result', thresh)
cv2.waitKey(0)

- user3377126

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- nshiff · Answer 1

酷主题！首先，你为什么要添加高斯模糊？你的源文章根本没有提到这一点。如果我去掉它，我会立即得到更多的疯狂线条，我可以通过设置canny_low和canny_high来降低它。关于最好的设置，我找到了low=100和high=180。

第二点，你在将文章翻译成Python方面做得相当不错。然而，我认为你遗漏了一个关键细节。作者写道：

// Canny algorithm
Mat contours;
Canny(image,contours,50,350);
Mat contoursInv;
threshold(contours,contoursInv,128,255,THRESH_BINARY_INV);

你实现了Canny函数（cv2.canny()），但是你没有调用阈值函数。根据我找到的文档，该函数“对每个数组元素应用固定级别的阈值”。我尝试了你的代码，并得出了以下结论。

#thresh = canny(imgray) # original
edges = canny(imgray) # docs refer to return value as "edges"

retval, dst = cv2.threshold(edges, 128, 255,cv2.THRESH_BINARY_INV)

返回两个值 - retval 对我们来说并不是特别重要。dst 是阈值处理后的目标二维图像数据数组。然后，您需要更新调用 cv2.HoughLines 和 cv2.HoughLinesP 的代码，将 "thresh" 替换为 "dst"。当我这样做时，我得到了更多有趣的行为，尽管我无法找到正确的调整值使线条工作良好。

因此，希望这些提示能给您一些指导。尝试我的建议，并再读一两遍文章，以确保您与作者具有相同的程序流程。这似乎是一个有趣的项目，祝您玩得愉快！