车道线定位及拟合：直方图确定车道线位置
日萌社
人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）
CNN：RCNN、SPPNet、Fast RCNN、Faster RCNN、YOLO V1 V2 V3、SSD、FCN、SegNet、U-Net、DeepLab V1 V2 V3、Mask RCNN
车道线检测
相机校正、张氏标定法、极大似然估计/极大似然参数估计、牛顿法、高斯牛顿法、LM算法、sin/cos/tan/cot
相机校正和图像校正：图像去畸变
车道线提取：Sobel边缘提取算法
透视变换
车道线定位及拟合：直方图确定车道线位置
车道曲率和中心点偏离距离计算
在视频中检测车道线
5.4. 车道线定位及拟合
学习目标
- 了解直方图确定车道线位置的思想
我们根据前面检测出的车道线信息，利用直方图和滑动窗口的方法，精确定位车道线，并进行拟合。
1. 定位思想
下图是我们检测到的车道线结果：
沿x轴方向统计每一列中白色像素点的个数，横坐标是图像的列数，纵坐标表示每列中白色点的数量，那么这幅图就是“直方图”，如下图所示：
对比上述两图，可以发现直方图左半边最大值对应的列数，即为左车道线所在的位置，直方图右半边最大值对应的列数，是右车道线所在的位置。
确定左右车道线的大致位置后，使用”滑动窗口“的方法，在图中对左右车道线的点进行搜索。
滑动窗口的搜索过程：
设置搜索窗口大小（width和height）：一般情况下width为手工设定，height为图片大小除以设置搜索窗口数目计算得到。
以搜寻起始点作为当前搜索的基点，并以当前基点为中心，做一个网格化搜索。
对每个搜索窗口分别做水平和垂直方向直方图统计，统计在搜索框区域内非零像素个数，并过滤掉非零像素数目小于50的框。
计算非零像素坐标的均值作为当前搜索框的中心，并对这些中心点做一个二阶的多项式拟合，得到当前搜寻对应的车道线曲线参数。
2.实现
使用直方图和滑动窗口检测车道线的代码如下：
def cal_line_param(binary_warped):# 1.确定左右车道线的位置# 统计直方图histogram = np.sum(binary_warped[:, :], axis=0)# 在统计结果中找到左右最大的点的位置，作为左右车道检测的开始点# 将统计结果一分为二，划分为左右两个部分，分别定位峰值位置，即为两条车道的搜索位置midpoint = np.int(histogram.shape[0] / 2)leftx_base = np.argmax(histogram[:midpoint])rightx_base = np.argmax(histogram[midpoint:]) + midpoint# 2.滑动窗口检测车道线# 设置滑动窗口的数量，计算每一个窗口的高度nwindows = 9window_height = np.int(binary_warped.shape[0] / nwindows)# 获取图像中不为0的点nonzero = binary_warped.nonzero()nonzeroy = np.array(nonzero[0])nonzerox = np.array(nonzero[1])# 车道检测的当前位置leftx_current = leftx_baserightx_current = rightx_base# 设置x的检测范围，滑动窗口的宽度的一半，手动指定margin = 100# 设置最小像素点，阈值用于统计滑动窗口区域内的非零像素个数，小于50的窗口不对x的中心值进行更新minpix = 50# 用来记录搜索窗口中非零点在nonzeroy和nonzerox中的索引left_lane_inds = []right_lane_inds = []# 遍历该副图像中的每一个窗口for window in range(nwindows):# 设置窗口的y的检测范围，因为图像是（行列）,shape[0]表示y方向的结果，上面是0win_y_low = binary_warped.shape[0] - (window + 1) * window_heightwin_y_high = binary_warped.shape[0] - window * window_height# 左车道x的范围win_xleft_low = leftx_current - marginwin_xleft_high = leftx_current + margin# 右车道x的范围win_xright_low = rightx_current - marginwin_xright_high = rightx_current + margin# 确定非零点的位置x,y是否在搜索窗口中，将在搜索窗口内的x,y的索引存入left_lane_inds和right_lane_inds中good_left_inds = ((nonzeroy >= win_y_low) & (nonzeroy < win_y_high) &(nonzerox >= win_xleft_low) & (nonzerox < win_xleft_high)).nonzero()[0]good_right_inds = ((nonzeroy >= win_y_low) & (nonzeroy < win_y_high) &(nonzerox >= win_xright_low) & (nonzerox < win_xright_high)).nonzero()[0]left_lane_inds.append(good_left_inds)right_lane_inds.append(good_right_inds)# 如果获取的点的个数大于最小个数，则利用其更新滑动窗口在x轴的位置if len(good_left_inds) > minpix:leftx_current = np.int(np.mean(nonzerox[good_left_inds]))if len(good_right_inds) > minpix:rightx_current = np.int(np.mean(nonzerox[good_right_inds]))# 将检测出的左右车道点转换为arrayleft_lane_inds = np.concatenate(left_lane_inds)right_lane_inds = np.concatenate(right_lane_inds)# 获取检测出的左右车道点在图像中的位置leftx = nonzerox[left_lane_inds]lefty = nonzeroy[left_lane_inds]rightx = nonzerox[right_lane_inds]righty = nonzeroy[right_lane_inds]# 3.用曲线拟合检测出的点,二次多项式拟合，返回的结果是系数left_fit = np.polyfit(lefty, leftx, 2)right_fit = np.polyfit(righty, rightx, 2)return left_fit, right_fit车道线的检测的拟合结果如下图所示：
其中绿色的方框是滑动窗口的结果，中间的黄线是车道线拟合的结果。
下面我们将车道区域绘制处理，即在检测出的车道线中间绘制多边形，代码如下：
def fill_lane_poly(img, left_fit, right_fit):# 获取图像的行数y_max = img.shape[0]# 设置输出图像的大小，并将白色位置设为255out_img = np.dstack((img, img, img)) * 255# 在拟合曲线中获取左右车道线的像素位置left_points = [[left_fit[0] * y ** 2 + left_fit[1] * y + left_fit[2], y] for y in range(y_max)]right_points = [[right_fit[0] * y ** 2 + right_fit[1] * y + right_fit[2], y] for y in range(y_max - 1, -1, -1)]# 将左右车道的像素点进行合并line_points = np.vstack((left_points, right_points))# 根据左右车道线的像素位置绘制多边形cv2.fillPoly(out_img, np.int_([line_points]), (0, 255, 0))return out_img效果如下图所示：
其中两个方法给大家介绍下：
np.vstack:按垂直方向（行顺序）堆叠数组构成一个新的数组
np.dstack:按水平方向（列顺序）堆叠数组构成一个新的数组
示例如下：
将检测出的车道逆投影到原始图像，直接调用透视变换的方法即可：
transform_img_inverse = img_perspect_transform(result, M_inverse)
效果如下图所示：
最后将其叠加在原图像上，则有：
总结：
知道车道线精确定位的思想：
首先利用直方图的方法确定左右车道线的位置，然后利用滑动窗口的方法，搜索车道线位置，并进行拟合，然后绘制车道区域，并进行反投影，得到原始图像中的车道区域。
车道线定位及拟合：直方图确定车道线位置相关推荐
- 智慧交通day03-车道线检测实现06：车道线定位及拟合+代码实现
学习目标 了解直方图确定车道线位置的思想 我们根据前面检测出的车道线信息,利用直方图和滑动窗口的方法,精确定位车道线,并进行拟合. 1. 定位思想 下图是我们检测到的车道线结果: 沿x轴方向统计每一列 ...
- 指针式仪表自动读数与识别(五)：刻度线定位与拟合
刻度拟合 刻度在仪表自动读数中并不作为计算依据(起始和终止刻度除外),最终读数仅仅依赖指针.表盘位置以及量程,因此在求仪表刻度线时可以允许少量误差,这些误差不会对最终结果造成影响. 对于刻度线的拟合, ...
- LaneLoc：基于高精地图的车道线定位
文章:LaneLoc: Lane Marking based Localization using Highly Accurate Maps 作者:Markus Schreiber, Carsten ...
- 【camera】自动驾驶感知系统实现（车道线检测和拟合、目标检测与跟踪、道路可行驶区域分割、深度估计、图像视野到BEV空间映射、像平面到地平面映射）
自动驾驶感知系统实现(车道线检测和拟合.目标检测与跟踪.道路可行驶区域分割.深度估计.图像视野到BEV空间映射.像平面到地平面映射) 项目下载地址:项目下载地址 推理引擎下载地址:推理引擎下载地址 支 ...
- 自动驾驶 Apollo 源码分析系列，感知篇(六)：车道线 Dark SCNN 算法简述及车道线后处理代码细节简述
本文大纲 自动驾驶中的车道线检测思路 SCNN 算法思想 Apollo 中对应的 dark scnn 代码逻辑 dark scnn 模型结构 SCNN 方向的简化 heatmap 对应代码逻辑 灭点提 ...
- 车道线检测:ultra fast lane detection + 车道保持
车道线检测 ECCV2020年的一篇车道线检测论文,花了两天把这个跑通了. 作者源码地址:https://github.com/cfzd/Ultra-Fast-Lane-Detection 逛B站发现 ...
- 基于功能安全的车道级定位精度分析
自动驾驶常常提到定位精度问题,很多厂商对外宣称的定位精度基本上差不多. 比如某业界领先的M公司,其定位和制图精度: Lateral: 6cm (1 sigma)Longitude: 15cm (1 s ...
- 【车道线检测】Hough变换图片车道线检测 【含Matlab源码 276期】
⛄一.Hough变换图片车道线检测简介 1 引言 随着人们生活水平的提高, 科技的不断进步, 智能驾驶技术逐渐受到了研究者们的广泛研究和关注.先进驾驶辅助系统 (Advanced Driver Ass ...
- 可变车道怎么走不违章_可变车道怎么才能正确通行？老司机来告诉你什么才是正确的走法。...
在我们日常生活中驾驶汽车出行是非常普遍的事情,很多司机都知道不同车道的不同作用,比如直行车道.左转车道.调头车道,但是遇到可变车道就不会走了,可变车道就是两侧的车道线内带有锯齿状的线,作用也是非常大, ...
- 一种基于贝塞尔曲线的终端定位轨迹拟合方法
一种基于贝塞尔曲线的终端定位轨迹拟合方法 专利名称一种基于贝塞尔曲线的终端定位轨迹拟合方法 技术领域本发明属于卫星导航领域,具体涉及一种基于贝塞尔曲线的终端定位轨迹拟合方法. 背景技术目前有很多设备( ...
最新文章
- iOS 11开发教程（七）编写第一个iOS11代码Hello,World
- 使用xdebug+wincachegrind的心得
- 解析CI即CodeIgniter框架在Nginx下的重写规则
- Underscore.js 入门
- python算法与数据结构-希尔排序算法(35)
- java技术入门培训_入门java怎么自学？推荐谁的课程？
- 动态规划（最长递增子序列）---最长摆动子序列
- 无心剑英译罗兰《境由心造》
- GitHub项目：自然语言处理领域的相关干货整理
- 面向对象编程启思录——读《OOD启思录》有感
- 洛谷 P2578 [ZJOI2005]九数码游戏【bfs+康托展开】
- Javascript之in操作符的用法
- 使用读写锁实现同步数据访问
- Win10自带无线投屏功能(含无安装失败解决办法)
- ubuntu系统镜像下载源
- 阿里云ECS服务器 跨域Access-Control-Allow-Origin 问题
- Failed to check the status of the service. No provider available for the service【已解决】
- linux中文件大小10,Linux之查看文件大小
- 当前时间节点的LiteOS评述 2018.9
- NC文件笔记（2020-09-14）