如上所示，對蒙版圖像應(yīng)用閾值后，我們只得到輸出圖像中的車道標(biāo)線�，F(xiàn)在我們可以通過霍夫線變換很容易地檢測出這些標(biāo)記�；舴蚓�變換霍夫線變換是一種檢測任何可以用數(shù)學(xué)方法表示形狀的方法。例如，它可以檢測矩形、圓、三角形或直線等形狀。我們感興趣的是檢測可以表示為直線的車道標(biāo)線。這是相關(guān)文檔：https：／／opencv－python－tutroals．readthedocs．io／en／latest／py＿tutorials／py＿imgproc／py＿h(yuǎn)oughlines／py＿h(yuǎn)oughlines．html在執(zhí)行圖像閾值化后對圖像應(yīng)用霍夫線變換將提供以下輸出：

我們需要對所有幀執(zhí)行此過程，然后將生成的幀縫合到新視頻中。用OpenCV在Python中實(shí)現(xiàn)車道檢測是時(shí)候用Python實(shí)現(xiàn)這個(gè)車道檢測項(xiàng)目了！我推薦使用Google Colab，因?yàn)闃?gòu)建車道檢測系統(tǒng)需要計(jì)算能力。首先導(dǎo)入所需的庫：import osimport reimport cv2import numpy as npfrom tqdm import tqdm＿notebookimport matplotlib．pyplot as plt讀取視頻幀我已經(jīng)從這個(gè)YouTube視頻中抽取了一些視頻片段。你可以從這個(gè)鏈接下載：https：／／drive．google．com／file／d／1e4cc4zFFna3Owyym6aq7ZXoquHA2l95O／view？usp＝sharing。＃ 獲取幀的文件名col＿frames ＝ os．listdir（＇frames／＇）col＿frames．sort（key＝lambda f： int（re．sub（＇D＇， ＇＇， f）））

＃ 加載幀col＿images＝［］for i in tqdm＿notebook（col＿frames）：    img ＝ cv2．imread（＇frames／＇＋i）    col＿images．a(chǎn)ppend（img）讓我們繪制一個(gè)幀：＃ 指定一個(gè)索引idx ＝ 457

＃ plot frameplt．figure（figsize＝（10，10））plt．imshow（col＿images［idx］［：，：，0］， cmap＝ ＂gray＂）plt．show（）

幀掩碼創(chuàng)建我們感興趣的區(qū)域是一個(gè)多邊形。我們想掩蓋除了這個(gè)區(qū)域以外的一切。因此，我們首先必須指定多邊形的坐標(biāo)，然后使用它來準(zhǔn)備幀掩碼：＃ 創(chuàng)建0矩陣stencil ＝ np．zeros＿like（col＿images［idx］［：，：，0］）

＃ 指定多邊形的坐標(biāo)polygon ＝ np．a(chǎn)rray（［［50，270］， ［220，160］， ［360，160］， ［480，270］］）

＃ 用1填充多邊形cv2．fillConvexPoly（stencil， polygon， 1）＃ 畫出多邊形plt．figure（figsize＝（10，10））plt．imshow（stencil， cmap＝ ＂gray＂）plt．show（）

＃ 應(yīng)用該多邊形作為掩碼img ＝ cv2．bitwise＿and（col＿images［idx］［：，：，0］， col＿images［idx］［：，：，0］， mask＝stencil）

＃ plot masked frameplt．figure（figsize＝（10，10））plt．imshow（img， cmap＝ ＂gray＂）plt．show（）

圖像預(yù)處理我們必須對視頻幀執(zhí)行一些圖像預(yù)處理操作來檢測所需的車道。預(yù)處理操作包括：圖像閾值化霍夫線變換1．圖像閾值化＃ 應(yīng)用圖像閾值化ret， thresh ＝ cv2．threshold（img， 130， 145， cv2．THRESH＿BINARY）

＃ 畫出圖像plt．figure（figsize＝（10，10））plt．imshow（thresh， cmap＝ ＂gray＂）plt．show（）

2．霍夫線變換lines ＝ cv2．HoughLinesP（thresh， 1， np．pi／180， 30， maxLineGap＝200）

＃ 創(chuàng)建原始幀的副本dmy ＝ col＿images［idx］［：，：，0］．copy（）

＃ 霍夫線for line in lines：  x1， y1， x2， y2 ＝ line［0］  cv2．line（dmy， （x1， y1）， （x2， y2）， （255， 0， 0）， 3）

＃ 畫出幀plt．figure（figsize＝（10，10））plt．imshow（dmy， cmap＝ ＂gray＂）plt．show（）

現(xiàn)在我們將對每個(gè)幀應(yīng)用所有這些操作。我們還將結(jié)果幀保存在新目錄中：cnt ＝ 0

for img in tqdm＿notebook（col＿images）：

 ＃ 應(yīng)用幀掩碼  masked ＝ cv2．bitwise＿and（img［：，：，0］， img［：，：，0］， mask＝stencil）

 ＃ 應(yīng)用圖像閾值化  ret， thresh ＝ cv2．threshold（masked， 130， 145， cv2．THRESH＿BINARY）

 ＃ 應(yīng)用霍夫線變換  lines ＝ cv2．HoughLinesP（thresh， 1， np．pi／180， 30， maxLineGap＝200）  dmy ＝ img．copy（）

 ＃畫出檢測到的線  try：    for line in lines：      x1， y1， x2， y2 ＝ line［0］      cv2．line（dmy， （x1， y1）， （x2， y2）， （255， 0， 0）， 3）

   cv2．imwrite（＇detected／＇＋str（cnt）＋＇．png＇，dmy）

 except TypeError：     cv2．imwrite（＇detected／＇＋str（cnt）＋＇．png＇，img）

 cnt＋＝ 1視頻準(zhǔn)備＃ 輸入幀的路徑pathIn＝ ＇detected／＇

＃輸出視頻路徑pathOut ＝ ＇roads＿v2．mp4＇

＃ 視頻每秒的幀數(shù)fps ＝ 30．0from os．path import isfile， join

＃ 獲取幀的文件名files ＝ ［f for f in os．listdir（pathIn） if isfile（join（pathIn， f））］files．sort（key＝lambda f： int（re．sub（＇D＇， ＇＇， f）））接下來，我們將把檢測到的車道上的所有幀放入一個(gè)列表中：frame＿list ＝ ［］

for i in tqdm＿notebook（range（len（files）））：    filename＝pathIn ＋ files［i］    ＃讀取每一個(gè)文件    img ＝ cv2．imread（filename）    height， width， layers ＝ img．shape    size ＝ （width，height）

   ＃將幀插入圖像數(shù)組    frame＿list．a(chǎn)ppend（img）最后，我們現(xiàn)在可以使用下面的代碼將幀合并為視頻：＃ 寫入視頻out ＝ cv2．VideoWriter（pathOut，cv2．VideoWriter＿fourcc（＊＇DIVX＇）， fps， size）

for i in range（len（frame＿array））：    out．write（frame＿array［i］）

out．release（）這就完成了Python中的車道檢測系統(tǒng)。

結(jié)尾在本教程中，我們介紹了一種簡單的車道檢測技術(shù)。我們沒有使用任何模型或復(fù)雜的圖像特征，相反，我們的解決方案完全基于某些圖像預(yù)處理操作。但是，在很多情況下，這個(gè)解決方案都無法工作。例如，當(dāng)沒有車道標(biāo)線，或者道路上的車輛太多時(shí)，該系統(tǒng)將失敗。在車道檢測中有更復(fù)雜的方法來克服這些問題。