如何通過計(jì)算機(jī)視覺去識別車道線

因?yàn)榉N種原因?qū)е律蟼€(gè)月沒有更新推文，所以特此發(fā)此推文表示歉意。

今天介紹的是如何通過計(jì)算機(jī)視覺去識別車道線，其實(shí)現(xiàn)在也有各種方法去識別車道線了。這次是基于Matlab的實(shí)現(xiàn)，過幾天會更新Python版本的實(shí)現(xiàn)，雖然用的語言不一樣，但是原理都是一樣的。

預(yù)處理

攝像機(jī)獲得的視頻圖像，由于受到周圍環(huán)境的影響，存在著很多無用信息和各種各樣的噪聲干擾。為了準(zhǔn)確的檢測到道路線必須對圖像進(jìn)行預(yù)處理。首先，通過灰度化處理將原始彩色圖像轉(zhuǎn)換為灰色圖像，然后采用大小為5*5的模板進(jìn)行高斯濾波平滑處理，減小噪聲干擾。高斯濾波的具體操作是：用一個(gè)模板(或稱卷積、掩模)掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。

若使用3×3模板，則計(jì)算公式如下

g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y- 1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16;

其中，f(x,y)為圖像中(x,y)點(diǎn)的灰度值，g(x,y)為該點(diǎn)經(jīng)過高斯濾波后的值

由于天空并不存在車道的感興趣區(qū)域，所以對圖片進(jìn)行了劃分，將感興趣區(qū)域劃為一個(gè)三角形區(qū)域。如圖1。

圖一

預(yù)處理代碼如下：

%讀入RGB圖片

I=imread('IMG00061.jpg');

%把RGB圖轉(zhuǎn)換為灰度圖

I=rgb2gray(I);

%高斯濾波平滑處理

sigma = 1;

gausFilter =fspecial('gaussian', [5,5], sigma);

gaus= imfilter(I, gausFilter,'replicate');

%得到圖片的寬和高

[h, w]=size(I);

%k是直線的斜率

%找出圖片的感興趣區(qū)域

k = 1.3;

for y=1:h

for x=1:w

if y < x*k + h-k*w || y < -k*x +h

I(y, x) = 0;

end

end

end

邊緣檢測

由于車道線的灰度比路面更加明亮，以此可以用邊緣檢測的方法把車道的邊緣檢測出來。在邊緣檢測中，我用了‘Sobel’算子。在技術(shù)上，它是一離散性差分算子，用來運(yùn)算圖像亮度函數(shù)的灰度之近似值。在圖像的任何一點(diǎn)使用此算子，將會產(chǎn)生對應(yīng)的灰度矢量或是其法矢量

Sobel卷積因子為：

該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像灰度值，其公式如下：

圖像的每一個(gè)像素的橫向及縱向灰度值通過以下公式結(jié)合，來計(jì)算該點(diǎn)灰度的大小：

通常，為了提高效率使用不開平方的近似值：

所得到的結(jié)果如圖2：

圖2

霍夫變換直線檢測

有了邊緣檢測的二值圖后可以對圖像進(jìn)行霍夫變換，霍夫變換是圖像變換中的經(jīng)典手段之一，主要用來從圖像中分離出具有某種相同特征的幾何形狀（如，直線，圓等）?；舴蜃儞Q的原理是將特定圖形上的點(diǎn)變換到一組參數(shù)空間上，根據(jù)參數(shù)空間點(diǎn)的累計(jì)結(jié)果找到一個(gè)極大值對應(yīng)的解，那么這個(gè)解就對應(yīng)著要尋找的幾何形狀的參數(shù)（比如說直線，那么就會得到直線的斜率k與常數(shù)b，圓就會得到圓心與半徑等等）。經(jīng)過霍夫變換后可得到如圖3關(guān)于ρ和θ的圖。

圖3

圖中最亮的幾個(gè)點(diǎn)則為峰值，峰值中極有可能存在直線?？梢赃x出一組候選的峰值，然后決定線的起始點(diǎn)和終點(diǎn)。函數(shù)houghlines用默認(rèn)的語法執(zhí)行這個(gè)任務(wù)：

lines = houghlines(f, theta,rho, peaks)

或者使用完整的語法形式：

lines = houghlines(...,'FillGap', val1, 'MinLength', val2)

其中，theta和rho是來自函數(shù)hough的輸出，peaks是函數(shù)houghpeaks的輸出。

效果

為了美觀和效果，我對檢測出來的線段進(jìn)行了延長處理，效果如下圖4。

圖4

完整代碼如下：

clear

close all

%讀入RGB圖片

I=imread('IMG00061.jpg');

%把RGB圖轉(zhuǎn)換為灰度圖

I=rgb2gray(I);

%高斯濾波平滑處理

sigma = 1;

gausFilter = fspecial('gaussian', [5,5], sigma);

gaus= imfilter(I, gausFilter, 'replicate');

%得到圖片的寬和高

[h, w]=size(I);

%k是直線的斜率

%切圖，找出圖片的感興趣區(qū)域

k = 1.3;

for y=1:h

for x=1:w

if y < x*k + h-k*w || y < -k*x + h

I(y, x) = 0;

end

end

end

imshow(I)

%用Sobel算子做邊緣檢測

BW = edge(I,'sobel');

%霍夫變換

[H,T,R] = hough(BW);

imshow(H,[],'XData',T,'YData',R, 'InitialMagnification','fit');

xlabel(' heta'), ylabel(' ho');

axis on, axis normal, hold on;

%找出霍夫變換的峰值

P = houghpeaks(H,2);

%用霍夫變換檢測和連接線

lines = houghlines(BW,T,R,P);

figure;

imshow(I); hold on

%畫線

for k = 1:length(lines)

p1 = lines(k).point1;

p2 = lines(k).point2;

syms slope b

[b, slope] = solve(slope*p1(1)-p1(2)+b, slope*p2(1)-p2(2)+b);

plot([(h-b)/slope, (0.4*h-b)/slope], [h, 0.4*h], 'g-', 'LineWidth',3);

end

代碼中用到的圖片：