大模块：车辆检测，车道线检测，车辆压线判别。

思路一：1.车道实线检测部分，虽然用Hough变换可以检测出不错的实线效果，但是需要每张图自己去调参，因为opencv算法已经集成好了，只需要调用即可。所以检测实线我们需要自己设定一个指标，就是实际Hough函数的参数构成的数组，我们标定测量车道线的实际结果，这个时候会有一组参数，然后我们和每组参数得到的车道线进行loss设计，这实际好的车道线和各组参数预测出来的车道线显然是有区别的，但是这个区别需要去建模得到一个指标，一个loss function，这样在任意图片当中，设计一个函数去遍历整个参数组，得到最佳的车道实线输出图。

通过loss function来得到一组最优的hough参数，实际上，还是需要根据不同的场景图片来调整，没有解决根本问题。

之前python通过一个dictionary来存当前帧图片当中的车道线直线的像素坐标值(y:x)，如果有好几帧的话，那么对于内存来讲是压力很大的，所以这里可以用一个滑动窗口的数据结构来动态分配字典数据，用两个索引，来存储前后好几帧的车道线像素的坐标，即下一帧的车道线的像素坐标可以更好地存在字典当中。

链接：https://blog.csdn.net/u010712012/article/details/87477554

2.虚线的检测，通过二值图像找到的白色像素点构成的集合，和下一个白色像素集合的线的斜率是一样的，我们可以给这个虚线打上标签，说明是虚线就可以。

3、压线：是否能够把检测到的车道直线左右扩充成车道带，然后再和bbox进行IOU计算，设定一个IOU阈值，这里需要用多张图片试验，得到一个比较适合的阈值，这是第一个条件，在满足第一个条件的前提下，再判断连续几帧bbox和车道带是否都超过了第一个条件的阈值，那么我们把这个几帧的图片的帧数当做第二个条件的阈值。通过这两个条件联合判断，判断压线。

3、车辆变道识别：需要把压线的情况当做触发条件，然后抽取前面几秒的和后面几秒的图片帧进行检测车辆的轨迹跟踪

Hough变换的嘴强解析

https://blog.csdn.net/linxid/article/details/78545678?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1

https://blog.csdn.net/u010712012/article/details/86104053

Hough变换直线检测的Matlab实现
通过Hough在二值图像中检测直线需要以下3个步骤。
·>(1)利用hough()函数执行霍夫变换，得到霍夫矩阵。
·>(2)利用houghpeaks()函数在霍夫矩阵中寻找峰值点。
·>(3)利用houghlines()函数在之前2步结果的基础上得到原二值图像中的直线信息。

霍夫变换–Hough
调用形式：
[H,theta,rho]=hough(BW,param1,value1,param2,value2)

参数说明：
·BW是边缘检测后的二值图像；
·可选参数对param1,value1和param2,value2的合法取值如下：

返回值：
·H是变换得到的霍夫矩阵
·θ,ρ 分别对应于Hough矩阵每一列和每一行的θ,ρ 值组成的向量。

补充：[m,n] = size(X)补充：norm的用法，matlab  help norm
NORM   Matrix or vector norm.
For matrices...
对于矩阵...
NORM(X) is the largest singular value of X, max(svd(X)).
NORM(X)是X的最大奇异值
NORM(X,2) is the same as NORM(X).
NORM(X,1) is the 1-norm of X, the largest column sum,= max(sum(abs(X))).
NORM(X,inf) is the infinity norm of X, the largest row sum,= max(sum(abs(X'))).
NORM(X,'fro') is the Frobenius norm, sqrt(sum(diag(X'*X))).
NORM(X,P) is available for matrix X only if P is 1, 2, inf or 'fro'.For vectors...
对于向量...
NORM(V,P) = sum(abs(V).^P)^(1/P).
返回向量A的p范数
NORM(V) = norm(V,2).
返回向量A的2范数，即欧几里德范数。二范数等价于平方和开平方，Sqrt(X1^2+X2^2+...+Xn^2)

寻找峰值–houghpeaks
调用形式：
peaks=houghpeaks(H,numpeaks,param1,value1,param2,value2)

参数说明：
·H是hough()函数得到的霍夫矩阵
·numpeaks是要寻找的峰值数目，默认为1
·可选参数对param1,value1和param2,value2的合法取值如下：

返回值：
·peaks是一个Q×2的矩阵，每行的两个元素分别是某一峰值点再hough矩阵中的行、列索引，Q为找到的峰值点的数目。

提取直线段–houghlines
调用形式：
lines=houghlines(BW,theta,rho,peaks,param1,value1,param2,value2)

参数说明：
·BW是边缘检测后的二值图像
·theta,rho分别对应于Hough矩阵每一列和每一行的θ和ρθ和ρ值组成的向量。有hough()函数返回。
·peaks是一个包含峰值点信息的Q×2Q×2的矩阵，由houghpeaks()函数返回。
·可选参数对param1,value1和param2,value2的合法取值如下：

    I  = imread('circuit.tif');rotI = imrotate(I,33,'crop');BW = edge(rotI,'canny');[H,T,R] = hough(BW);imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit');xlabel('\theta'), ylabel('\rho');axis on, axis normal, hold on;P  = houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));x = T(P(:,2)); y = R(P(:,1));plot(x,y,'s','color','white');% Find lines and plot themlines = houghlines(BW,T,R,P,'FillGap',5,'MinLength',7);figure, imshow(rotI), hold onmax_len = 0;for k = 1:length(lines)xy = [lines(k).point1; lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');% plot beginnings and ends of linesplot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');% determine the endpoints of the longest line segment len = norm(lines(k).point1 - lines(k).point2);if ( len > max_len)max_len = len;xy_long = xy;endend% highlight the longest line segmentplot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan');

这里的Hough空间域就像上面的图，如果随便给我一张图片，我要检测出所有的车道线，那么就是在找Hough参数空间中那个二维累加器中找到峰值，也就是极值，那些极值就是可以被检测原图片的直线，那么将参数空间反映射回图像空间，就能知道哪些地方是直线了，虚线和直线的区别就在于一个阈值，这些参数空间的极值点到底我们选不选，有些极值点是长线段实线，有些极值点可能就是短线段，就是车道虚线，那么我们怎么通过Hough空间的图像判断实线与虚线呢？

经典的流程

https://blog.csdn.net/u010712012/article/details/84780943

https://github.com/zengdiqing1994/Highway_violation_detection

FCM聚类

模糊C均值（Fuzzy C-means）算法简称FCM算法，是一种基于目标函数的模糊聚类算法，主要用于数据的聚类分析。理论成熟，应用广泛，是一种优秀的聚类算法。

https://blog.csdn.net/on2way/article/details/47087201
链接：https://blog.csdn.net/u010712012/article/details/87952752

一个样本属于结果的这种相似的程度称为样本的隶属度，一般用u表示，表示一个样本相似于不同结果的一个程度指标。

kmeans的类中心是怎么更新的，一般最简单的就是找到属于某一类的所有样本点，然后这一类的类中心就是这些样本点的平均值。

那么FCM类中心怎么样了？看式子可以发现也是一个加权平均，类i确定后，首先将所有点到该类的隶属度u求和，然后对每个点，隶属度除以这个和就是所占的比重，乘以xj就是这个点对于这个类i的贡献值了。画个形象的图如下：

数据集用的是iris数据，有需要数据的朋友可以调用sklearn.load_iris。或者下载下来

from pylab import *
from numpy import *
import pandas as pd
import numpy as np
import operator
import math
import matplotlib.pyplot as plt
import random# 数据保存在.csv文件中
df_full = pd.read_csv("iris.csv")
columns = list(df_full.columns)
features = columns[:len(columns) - 1]
# class_labels = list(df_full[columns[-1]])
df = df_full[features]
# 维度
num_attr = len(df.columns) - 1
# 分类数
k = 3
# 最大迭代数
MAX_ITER = 100
# 样本数
n = len(df)  # the number of row
# 模糊参数
m = 2.00# 初始化模糊矩阵U
def initializeMembershipMatrix():membership_mat = list()for i in range(n):random_num_list = [random.random() for i in range(k)]summation = sum(random_num_list)temp_list = [x / summation for x in random_num_list]  # 首先归一化membership_mat.append(temp_list)return membership_mat# 计算类中心点
def calculateClusterCenter(membership_mat):cluster_mem_val = zip(*membership_mat)cluster_centers = list()cluster_mem_val_list = list(cluster_mem_val)for j in range(k):x = cluster_mem_val_list[j]xraised = [e ** m for e in x]denominator = sum(xraised)temp_num = list()for i in range(n):data_point = list(df.iloc[i])prod = [xraised[i] * val for val in data_point]temp_num.append(prod)numerator = map(sum, zip(*temp_num))center = [z / denominator for z in numerator]  # 每一维都要计算。cluster_centers.append(center)return cluster_centers# 更新隶属度
def updateMembershipValue(membership_mat, cluster_centers):#    p = float(2/(m-1))data = []for i in range(n):x = list(df.iloc[i])  # 取出文件中的每一行数据data.append(x)distances = [np.linalg.norm(list(map(operator.sub, x, cluster_centers[j]))) for j in range(k)]for j in range(k):den = sum([math.pow(float(distances[j] / distances[c]), 2) for c in range(k)])membership_mat[i][j] = float(1 / den)return membership_mat, data# 得到聚类结果
def getClusters(membership_mat):cluster_labels = list()for i in range(n):max_val, idx = max((val, idx) for (idx, val) in enumerate(membership_mat[i]))cluster_labels.append(idx)return cluster_labelsdef fuzzyCMeansClustering():# 主程序membership_mat = initializeMembershipMatrix()curr = 0while curr <= MAX_ITER:  # 最大迭代次数cluster_centers = calculateClusterCenter(membership_mat)membership_mat, data = updateMembershipValue(membership_mat, cluster_centers)cluster_labels = getClusters(membership_mat)curr += 1print(membership_mat)return cluster_labels, cluster_centers, data, membership_matdef xie_beni(membership_mat, center, data):sum_cluster_distance = 0min_cluster_center_distance = inffor i in range(k):for j in range(n):sum_cluster_distance = sum_cluster_distance + membership_mat[j][i] ** 2 * sum(power(data[j, :] - center[i, :], 2))  # 计算类一致性for i in range(k - 1):for j in range(i + 1, k):cluster_center_distance = sum(power(center[i, :] - center[j, :], 2))  # 计算类间距离if cluster_center_distance < min_cluster_center_distance:min_cluster_center_distance = cluster_center_distancereturn sum_cluster_distance / (n * min_cluster_center_distance)labels, centers, data, membership = fuzzyCMeansClustering()
print(labels)
print(centers)
center_array = array(centers)
label = array(labels)
datas = array(data)# Xie-Beni聚类有效性
print("聚类有效性：", xie_beni(membership, center_array, datas))
xlim(0, 10)
ylim(0, 10)
# 做散点图
fig = plt.gcf()
fig.set_size_inches(16.5, 12.5)
f1 = plt.figure(1)
plt.scatter(datas[nonzero(label == 0), 0], datas[nonzero(label == 0), 1], marker='o', color='r', label='0', s=10)
plt.scatter(datas[nonzero(label == 1), 0], datas[nonzero(label == 1), 1], marker='+', color='b', label='1', s=10)
plt.scatter(datas[nonzero(label == 2), 0], datas[nonzero(label == 2), 1], marker='*', color='g', label='2', s=10)
plt.scatter(center_array[:, 0], center_array[:, 1], marker='x', color='m', s=30)
plt.show()

竟然聚类的结果感觉和刚开始的好像差不多啊。不会被聚成一类？但是回过头来看这个算法，本身要得到的结果就是隶属度u（也就是各样本的权重）以及Ci聚类中心，有几个聚类中心就有几类，可以看到，还是挺准的。

但是这里有一个明显的问题就是

FCM算法需要手动设置需要聚类出来的类数，假设一条道路有6条车道线，那么K=6，不同的场景车道线数量不同。这让人想到了无监督学习中的Kmeans算法，他的缺点也是需要人工先确定K值，且该值和真实的数据分布未必吻合，也易受到噪声点的影响，容易陷入局部最值，并不能有力地求到全局最优。所以个人感觉只适合于道路清晰的高速公路上，一旦有多辆车在内做干扰，或者路面老旧导致车道线不清晰，FCM并不能算是一个非常鲁棒的算法。

但是不可否认的是，FCM聚类算法使用的边缘去重和结构化过滤方法还是很有借鉴意义，可以起到稳固车道线的作用，从而对后续的车辆压线判别模型奠定了基础。

车道线写成：y=kx+b

而且我们得到的（k，b）坐标轴，可以看出，在原图像坐标中的斜率为正的直线，都集中在右下角的点，很密集。而斜率负的很大的直线则分散在左上角而且距离比较大，按照聚类（物以类聚）的思想，应该是离得越远的点越没可能是一类。

而且我们得到的（k，b）坐标轴，可以看出，在原图像坐标中的斜率为正的直线，都集中在右下角的点，很密集。而斜率负的很大的直线则分散在左上角而且距离比较大，按照聚类（物以类聚）的思想，应该是离得越远的点越没可能是一类。

可以考虑把斜率的k=tanθ ，这里的角度在斜率比较小的时候差距不大，但是有可能在斜率很大的时候，多条线之间的角度差距也不大

因为每条线的theta都有具体的值,每一条线的θ 相减，如果角度差距超过设定的一个阈值的话，就代表不是一类，如果角度小于一类的，就看成是一类 就要看怎么和聚类的算法进行融合了

然后思考一下能不能把k，b坐标轴转变成ρ,θ 极坐标空间，然后看FCM聚类算法是否能够解决上述的角度截距的问题。【可能，后面如果转成极坐标空间更佳】

【车道线检测与寻迹】4月17 【多方内容总结】大模块：车辆检测，车道线检测，车辆压线判别相关推荐

STM32f4日记8之四轮三路寻迹小车实验(小车实验二：红外模块检测寻迹(左拐，右拐，前进，停止))
STM32f4日记8之四轮三路寻迹小车实验(小车实验二:红外模块检测寻迹(左拐,右拐,前进,停止)) 板子:stm32f407zgt6正点原子迷你版作者:shawn 2021.2.14(大年初三) ...
赛尔号7月17日服务器维护,赛尔号7月17日更新精灵大爆料
赛尔号2015年7月17日更新精灵大爆料!游戏中更新了近期会出现的精灵内容,让我们来一起看下在后续会出现哪些新精灵吧!!部分精灵会在下周7月17日与大家见面哦!下面就来看下赛尔号7月17日更新精灵爆料 ...
星际战甲服务器维护时间,星际战甲：6月17日内容更新停机维护公告
天诺战士们: 随着始源星系的夏季逐渐炎热,凯拉·德赛姆在这个特别的宿命角斗场向你发起挑战--一场水枪大战!?没有硝烟,只有海浪!你准备好迎接这个始源星系最棒的水战了吗?娜卡将用好礼回馈你所收集到的珍珠 ...
php 类加载失败,记2013年5月17日，php部分模块加载失败案例
公元2013年5月17日,星期五.今天是个普通的日子,但对于我而言,这一天似乎充满着劫难.算了,不白话了,直接上苦情剧吧! 今天部署测试服务平台,基于PHP网站的服务器架构. 平台搭建平台软件:ap ...
【车道线检测与寻迹】LSD、LBD快速直线检测
python应用LSD opencv 这个LSD https://github.com/primetang/pylsd是封装好的,不知道哪儿改参数,原始的LSD检测前会将图片缩小至80%,当图片很小是 ...
自动阈值检测_金融科技讲堂之三｜金融企业如何在大数据中进行异常检测（一）...
作者| 边际实验室异常检测是当今金融企业的当务之急,但在内部设计和构建一个真正有效的监测预警系统是一项复杂的任务. 对于金融企业的数据业务来说,对市场数据.客户交易数据.营销数据等进行分析,并寻找可 ...
（附源码）SSM寻迹边境丹东旅游网站JAVA计算机毕业设计项目
项目运行环境配置: Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclis ...
用opencv的dnn模块做yolov5目标检测
最近在微信公众号里看到多篇讲解yolov5在openvino部署做目标检测文章,但是没看到过用opencv的dnn模块做yolov5目标检测的.于是,我就想着编写一套用opencv的dnn模块做yol ...
12日疯人认证百度云_百度云智峰会12月17日召开，央视财经对话现场要做一场高端访谈...
年末最重磅的的云计算行业盛会来了.12月8日消息,百度官方宣布"ABC SUMMIT 2020百度云智峰会"定档12月17日在中国大饭店举行. 百度智能云将会公布2020年 &qu ...
大数据分析实战-信用卡欺诈检测（五）-逻辑回归模型
大数据分析实战-信用卡欺诈检测(一) 大数据分析实战-信用卡欺诈检测(二)-下采样方案和交叉验证大数据分析实战-信用卡欺诈检测(三)- 模型评估大数据分析实战-信用卡欺诈检测(四)-正则化惩罚逻 ...

【车道线检测与寻迹】4月17 【多方内容总结】大模块：车辆检测，车道线检测，车辆压线判别