Opencv4图像分割和识别第九课(实战8）车道线检测

前言

本课所讲的车道线检测来自于一个实际的项目，因为场景比较单一，而且硬件比较受限制，所以采用传统的图像处理方法来识别它们。

源图像

需求：要求识别出 黄色线道里外两条线， 一共有两根黄色车道线。

挑战性：黄色车道线有些模糊不清，一定程度上和其周围背景区分不是很明显；由于摄像头安装位置不是正中间，所以拍出来的黄色车道线有些扭曲畸变，不是严格的直线，而是有些向左弯曲的直线。

识别过程

一）由于场景比较单一，所以先做一个roi，来尽量排除背景的干扰。同时在roi各取4个点（蓝色圆圈和红色圆圈表示），并求得蓝色点变换到红色点的投影矩阵。

 二）根据投影矩阵，将roi图像做一个透视变换，可理解为将倾斜视角拍的图片转换为鸟瞰图。鸟瞰图上黄色线道近似垂直线，从而可以大大提供识别准确度和鲁棒性，而且背景干扰部分进一步排除掉。

三） 综合采用前面所学到的图像处理知识：高斯模糊，自己构造卷积模板来求黄色线道边缘；根据颜色特征区分开黄色车道和背景；最后采用腐蚀形态学方法去噪点得到比较理想的边缘点。这部分的具体内容会在视频课程中详细讲解。

四）采用HoughLinesp来找直线，并且要求斜率近似于垂直。将多根挨在一起的直线上点进行直线拟合，得到四条最终的直线方程，并画在鸟瞰图上。

五）最后一步就是将上面的图进行透视逆变换，并作平移就能在原始图上画出黄色车道线了。

结论

本课所涉及新的理论知识点比较少，侧重于实践，主要是综合应用前面所讲的图像处理方法来进行车道线识别。当然，如果场景比较复杂 比如光线忽亮忽暗等，还可以考虑语义分割模型，比如mask-rcnn deeplabv3等来进行识别。在识别推理前，需要收集大量的样本数据，并进行标注和训练才能得到算法模型。此外跑这种复杂的模型，对硬件要求比较高，一般需要GPU才能达到推理时间在毫秒级。