基于Python OpenCV、使用霍夫变换的小车视觉循线识别

        近期在做一个小车视觉循线的项目。小车将沿着一条线行驶,并用自带的摄像头拍摄道路前方的道路,行驶过程会遇到钝角拐弯、弧线拐弯、直角拐弯这些特殊元素,小车需要在识别元素之后进行合理地转弯。

        在网上看到大部分的循线方法主要是二值化之后遍历图像中的所有像素点然后求亮白色像素点的横坐标平均值,把平均值和图像中心值做差求出小车的偏移量,再控制小车的运动。这样的方法需要用二重for循环遍历捕获图像的所有像素点,效率低下。经过本人的一位学长的点拨,本人遂决定采用霍夫变换的方法进行循线识别。

基于Python OpenCV、使用霍夫变换的小车视觉循线识别_第1张图片

                                                                                                                   (图片来自网络,侵删)

思路:

1、首先,要选择正确的识别区域。小车前方的一块区域是小车即将到达的地方,而其他区域大都对识别没有作用。所以,我们要ROI选取选择合适的区域,来提高识别效率。

2、之后,对图像进行初步处理。这里,本人先将凸显变为灰度图像,然后进行大津法的二值化,最后采用高斯滤波。大津法的二值化能够根据图像的具体亮度分布来决定阈值,能够很好地把需要识别的白线分离出来而剔除干扰元素;高斯滤波能够使图像变得平滑,使接下来霍夫变换更加精准。

3、接下来便是霍夫变换了。先把上一步得到的图像进行Canny边缘检测,之后采用霍夫变换函数读取图像中的线段。注意这里要使用概率霍夫变换,否则得出的结果都是直线而非线段,无法得出偏差值。在这之后,我们就会得到所有线段始末两点的横纵坐标。

4、读取这些坐标以后,我们需要两个量:线段的平均偏移量和斜率接近于0的线段数量。前者用于检测小车的偏移情况,否则则用于检测是否有直角弯道。我们可以在用for循环遍历所有线段始末两点的坐标之后,用横坐标累加值除以运算的点的总数再减去图像中心横坐标得出平均偏移量,用斜率计算公式[(y1-y2)/(x1-x2)]检测线段是否水平或接近水平、统计这样的线段数量。

5、最后进行判断:如果水平线段的数量大于0,则说明小车遇到了直角弯道;否则没有遇到直角弯道,小车应当按照偏移量的情况进行打角转弯

 这边附上一段用于检测一帧图像的代码。

import cv2
import numpy as np
import matplotlib.pyplot as plt
import pylab

def midsearch():
    img = cv2.imread("pic", -1)                                                   #导入图片,参数请自行修改
    h,w,c= img.shape

    mid=img[int(h*0.7):int(h),int(0.25*w):int(0.75*w)]                            #ROI选区,选择图像前面的一块区域
    hm, wm, cm = mid.shape  
    gray = cv2.cvtColor(mid, cv2.COLOR_BGR2GRAY)                                  #设置图像为灰度图
    ret, gray = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)  #大津法二值化
    gray = cv2.medianBlur(gray, 11)                                                #高斯滤波
    edges = cv2.Canny(gray, 50, 150, apertureSize=3)
    orgb = cv2.cvtColor(mid, cv2.COLOR_BGR2RGB)
    oShow = orgb.copy()
    lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 1, minLineLength=100, maxLineGap=60)#边缘检测之后霍夫变换得出直线
    fn=0
    n=0
    tan=1.0
    T=0.0
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(orgb, (x1, y1), (x2, y2), (255, 0, 0), 5)
        n+=2;
        fn+=x1
        fn+=x2
        if x1!=x2:
            tan=(y1-y2)/(x1-x2)
            if abs(tan)<0.1 and abs(x1-x2)>0.1*wm:
                    T+=1
        else:
            tan=1                                       #通过检测直线斜率检测是否遇到直角
    average=fn/n
    delta=average-wm/2
    # print(T)
    # print(delta)
    # print(average)
    # plt.subplot(121)
    # plt.imshow(oShow)
    # plt.axis('off')
    # plt.subplot(122)
    # plt.imshow(orgb)
    # plt.axis('off')
    # pylab.show()
    return delta,T

def midjudge(delta,T):
    #直角判断
    if delta>0 and T>=1:#右直角
        print("右直角")
    elif delta<0 and T>=1:#左直角
        print("左直角")
    else:
    #正常行驶,包括钝角以及圆弧的转弯
        if abs(delta)<=10:
            print("直行")
        elif delta>10:
            print("右转弯")
        elif delta<-10:
            print("左转弯")


delta,T=midsearch()
midjudge(delta,T)
cv2.waitKey(0)
cv2.destroyAllWindows()

你可能感兴趣的:(副业——视觉,python,opencv,计算机视觉,人工智能,开发语言)