使用opencv实现车道线检测实战代码

效果

 void lane_detection(cv::Mat &src, cv::Mat &dst)
 {
     dst = cv::Mat::zeros(src.size(),src.type());
     cv::Mat grid =cv::Mat::zeros(src.size(),src.type());
     int iStep = 25;
     int iNUmsX = src.cols / iStep;
     int inUmsY = src.rows / iStep;

     for(int i = 1; i <= inUmsY; i++)
     {
         int yPos = i * iStep + src.cols / 5;
         cv::Point2d pt1,pt2;
         int iOffset = 10;
         pt1.x = 0 + iOffset;
         pt1.y = yPos;
         pt2.x = src.cols - iOffset;
         pt2.y = yPos;
         cv::line(grid,pt1,pt2,cv::Scalar(255), 1, cv::LINE_4);
     }
     for(int i = 1; i <= iNUmsX; i++)
         int xPos = i * iStep;
         pt1.x = xPos;
         pt1.y = 0 + iOffset + src.rows / 5;
         pt2.x = xPos;
         pt2.y = src.rows - iOffset;
     cv::imshow("grid", grid);
     cv::Mat bitNot;
     cv::bitwise_and(src, grid, bitNot);
     cv::Mat add = cv::Mat::zeros(bitNot.rows, bitNot.cols,bitNot.type());
     int iDiffTh = 200;

     QTime timer;
     timer.start();
     //#pragma omp parallel for num_threads(10)
      for (int i = 1; i < bitNot.rows - 1; i++)
      {
          for (int j = 1; j < bitNot.cols - 1; j++)
          {
              int iValueX = (int)bitNot.at<uchar>(i, j);
              int iValueXPre = (int)bitNot.at<uchar>(i-1, j);
              int iValueXNext = (int)bitNot.at<uchar>(i+1, j);
              int iValueY = (int)bitNot.at<uchar>(i, j);
              int iValueYPre = (int)bitNot.at<uchar>(i, j-1);
              int iValueYNext = (int)bitNot.at<uchar>(i, j+1);
              if((iValueX - iValueXPre > iDiffTh && iValueX - iValueXNext > iDiffTh) ||
                  (iValueY - iValueYPre > iDiffTh && iValueY - iValueYNext > iDiffTh))
              {
                  add.at<uchar>(i, j) = 255;
              }
          }
      }
      qDebug()<<"process time: "<<timer.elapsed()<<" ms";
      //形态学预处理
      cv::Mat matDilate;
      cv::Mat k33 = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(9, 9), cv::Point(-1, -1));
      cv::morphologyEx(add, matDilate, cv::MORPH_DILATE, k33, cv::Point(-1, -1), 3);
      cv::imshow("matDilate", matDilate);
    //cv::bitwise_not(src, matDilate, matRoi);
    cv::Mat matRoi;
    cv::bitwise_and(src, matDilate, matRoi);
    cv::imshow("matRoi", matRoi);
    cv::Mat matThresh;
    cv::threshold(matRoi, matThresh, 200, 255,cv::THRESH_BINARY);
    cv::imshow("matThresh", matThresh);
    //std::vector<std::vector<cv::Point>> contours;
    //cv::findContours(matThresh,contours,)
    std::vector<std::vector<cv::Point> > contoursDefect;
    std::vector<cv::Vec4i> hierarchyDefect;
    cv::Mat canves;
    cv::cvtColor(src, canves,cv::COLOR_RGBA2RGB);
    cv::findContours(matThresh, contoursDefect, hierarchyDefect, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);
    for (size_t i = 0; i < contoursDefect.size(); i++)
    {
     cv::Mat contour(contoursDefect.at(i));//第i个轮廓
     double area = contourArea(contour);
     if (area >=  50)
         cv::Moments moment;//矩
         moment = moments(contour, false);
         cv::Point2d pt1;
         double m00 = moment.m00 + 0.01;
         pt1.x = moment.m10 / m00;//计算重心横坐标
         pt1.y = moment.m01 / m00;//计算重心纵坐标
         cv::drawContours(canves, contoursDefect, i, cv::Scalar(255, 255, 0), -1);
    }
    cv::imshow("canves", canves);
    cv::waitKey(0);
 }
 void test_lane_detection()
     int i = 0;
     while(1)
         cv::Mat src;
         QString  dir("D:\\QtProject\\Opencv_Example\\gen_grid_region\\scene_");
         QString path;
         if(i>9)  path =  QString("%1%2%3").arg(dir).arg(i++).arg(".png");
         else path = QString("%1%2%3%4").arg(dir).arg("0").arg(i++).arg(".png");
         cout<<path.toStdString();
         src = cv::imread(path.toStdString(), cv::IMREAD_GRAYSCALE);
         if (src.empty()) {
             cout << "Cannot load image" << endl;
             return;
         }
         cv::imshow("src", src);
         cv::Mat dst;
         lane_detection(src, dst);

到此这篇关于opencv车道线检测实战的文章就介绍到这了,更多相关opencv车道线检测内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

(0)

相关推荐

  • 基于OpenCV实现车道线检测(自动驾驶 机器视觉)

    目录 0 前言 1 车道线检测 2 目标 3 检测思路 4 代码实现 4.1 视频图像加载 4.2 车道线区域 4.3 区域 4.4 canny 边缘检测 4.5 霍夫变换(Hough transform) 4.6 HoughLinesP 检测原理 0 前言 无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测. 1 车道线检测 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手.那么面对这样极其复杂问题,我们解决问

  • python+opencv实现车道线检测

    python+opencv车道线检测(简易实现),供大家参考,具体内容如下 技术栈:python+opencv 实现思路: 1.canny边缘检测获取图中的边缘信息: 2.霍夫变换寻找图中直线: 3.绘制梯形感兴趣区域获得车前范围: 4.得到并绘制车道线: 效果展示: 代码实现: import cv2 import numpy as np def canny(): gray = cv2.cvtColor(lane_image, cv2.COLOR_RGB2GRAY) #高斯滤波 blur = c

  • 基于opencv实现车道线检测

    基于opencv的车道线检测,供大家参考,具体内容如下 原理: 算法基本思想说明: 传统的车道线检测,多数是基于霍夫直线检测,其实这个里面有个很大的误区,霍夫直线拟合容易受到各种噪声干扰,直接运用有时候效果不好,更多的时候通过霍夫直线检测进行初步的筛选,然后再有针对性的进行直线拟合,根据拟合的直线四个点坐标,绘制出车道线,这种方式可以有效避免霍夫直线拟合不良后果,是一种更加稳定的车道线检测方法,在实际项目中,可以选择两种方法并行,在计算出结果后进行叠加或者对比提取,今天分享的案例主要是绕开了霍夫

  • opencv车道线检测的实现方法

    车道线检测,需要完成以下功能: 图像裁剪:通过设定图像ROI区域,拷贝图像获得裁剪图像 反透视变换:用的是室外采集到的视频,没有对应的变换矩阵.所以建立二维坐标,通过四点映射的方法计算矩阵,进行反透视变化.后因ROI区域的设置易造成变换矩阵获取困难和插值得到的透视图效果不理想,故没应用 二值化:先变化为灰度图,然后设定阈值直接变成二值化图像. 形态学滤波:对二值化图像进行腐蚀,去除噪点,然后对图像进行膨胀,弥补对车道线的腐蚀. 边缘检测:canny变化.sobel变化和laplacian变化中选

  • 使用opencv实现车道线检测实战代码

    效果 void lane_detection(cv::Mat &src, cv::Mat &dst) { dst = cv::Mat::zeros(src.size(),src.type()); cv::Mat grid =cv::Mat::zeros(src.size(),src.type()); int iStep = 25; int iNUmsX = src.cols / iStep; int inUmsY = src.rows / iStep; for(int i = 1; i &

  • Python道路车道线检测的实现

    车道线检测是自动驾驶汽车以及一般计算机视觉的关键组件.这个概念用于描述自动驾驶汽车的路径并避免进入另一条车道的风险. 在本文中,我们将构建一个机器学习项目来实时检测车道线.我们将使用 OpenCV 库使用计算机视觉的概念来做到这一点.为了检测车道,我们必须检测车道两侧的白色标记. 使用 Python 和 OpenCV 进行道路车道线检测 使用 Python 中的计算机视觉技术,我们将识别自动驾驶汽车必须行驶的道路车道线.这将是自动驾驶汽车的关键部分,因为自动驾驶汽车不应该越过它的车道,也不应该进

  • C++ opencv实现车道线识别

    本文实例为大家分享了C++ opencv实现车道线识别的具体代码,供大家参考,具体内容如下 先上图 1. 2. (一)目前国内外广泛使用的车道线检测方法主要分为两大类: (1) 基于道路特征的车道线检测: (2) 基于道路模型的车道线检测. 基于道路特征的车道线检测作为主流检测方法之一,主要是利用车道线与道路环境的物理特征差异进行后续图像的分割与处理,从而突出车道线特征,以实现车道线的检测.该方法复杂度较低,实时性较高,但容易受到道路环境干扰. 基于道路模型的车道线检测主要是基于不同的二维或三维

  • 使用OpenCV对车道进行实时检测的实现示例代码

    项目介绍 下图中的两条线即为车道: 我们的任务就是通过 OpenCV 在一段视频(或摄像头)中实时检测出车道并将其标记出来.其效果如下图所示: 这里使用的代码来源于磐怼怼大神,此文章旨在对其代码进行解释. 实现步骤 1.将视频的所有帧读取为图片: 2.创建掩码并应用到这些图片上: 3.图像阈值化: 4.用霍夫线变换检测车道: 5.将车道画到每张图片上: 6.将所有图片合并为视频. 代码实现 1.导入需要的库 import os import re import cv2 import numpy

  • 人脸检测实战终极之OpenCV+Python实现人脸对齐

    目录 前言 实现面部矫正器 导入必要的包 对齐人脸 展示结果 前言 这篇博文的目的是演示如何使用 OpenCV.Python 和面部标志对齐人脸. 给定一组面部标志(输入坐标),我们的目标是将图像扭曲并转换为输出坐标空间. 在这个输出坐标空间中,整个数据集中的所有面都应该: 在图像中居中. 旋转,使眼睛位于水平线上(即,旋转面部,使眼睛位于相同的 y 坐标上). 进行缩放,使面的大小大致相同. 为此,我们将首先调用一个实现的 Python 类FaceAligner ,以使用仿射变换对齐人脸. 注

  • Python Opencv实现单目标检测的示例代码

    一 简介 目标检测即为在图像中找到自己感兴趣的部分,将其分割出来进行下一步操作,可避免背景的干扰.以下介绍几种基于opencv的单目标检测算法,算法总体思想先尽量将目标区域的像素值全置为1,背景区域全置为0,然后通过其它方法找到目标的外接矩形并分割,在此选择一张前景和背景相差较大的图片作为示例. 环境:python3.7 opencv4.4.0 二 背景前景分离 1 灰度+二值+形态学 轮廓特征和联通组件 根据图像前景和背景的差异进行二值化,例如有明显颜色差异的转换到HSV色彩空间进行分割. 1

随机推荐