1.0设想的思路

1、基于线段检测（LSD）算法

第一部分是检测停车分隔线，它们在环视图像中具有一对固定距离的平行线。
2、线聚类方法。
3、通过根据停车位的宽度将分隔线配对来生成停车位候选。

2.第一次实践

算法步骤：
（1）图像灰度化
（2）形态学滤波，图像高斯
（3）确定图像感兴趣区域
（4）canny算子提取边缘
（5）霍夫变换进行直线检测（核心步骤）
（6）聚类算法优化霍夫变换提取的直线（核心步骤）
（7）输出车道线两点坐标

2.1 采用霍夫变换

链接：https://blog.csdn.net/linxid/article/details/78545678

1.hough：实现霍夫变换
基本语法：[H,theta,rho] = hough(BW,Name,Value,…)
输入参数：
BW：一幅二值图像；
Name：‘RhoResolution’和‘Theta’两种选择，而且相互对应，同时存在；
RhoResolution：霍夫变换沿rho轴的间距，默认是1；
Theta：所处理的直线的角度范围，默认是（-90，89）；
输出参数：
H：霍夫变换矩阵；
theta：x轴和rho向量之间的角度；
rho：原点到直线的距离。

houghlines：霍夫变换线检测
基本语法：
lines = houghlines(BW,theta,rho,peaks)
lines = houghlines(___,Name,Value,…)
输入参数：
BW：二值图像；
theta：霍夫变换hough输出的角度；
rho：霍夫变换hough输出的rho；
peaks：霍夫变换峰值检测输出的峰值；

输出参数：
lines：是一个结构数组，包括point1,point2,theta,rho，长度为所检测到的线的条数；
point1，2：所检测到线的起止坐标；
theta，rho：与前两个函数类似。

聚类：
一个思路（没有采用）
https://github.com/Lightolx/LanePixel_Cluster/blob/master/main.cpp

  // Step5: 对所有拟合出来的直线做一个聚类,也就是把属于同一条车道线的不同的连通域聚类在一起int nC = 0;std::vector<Eigen::Vector3i> vRGBs;vRGBs.push_back(Eigen::Vector3i(255, 0, 0));vRGBs.push_back(Eigen::Vector3i(0, 255, 0));vRGBs.push_back(Eigen::Vector3i(0, 0, 255));vRGBs.push_back(Eigen::Vector3i(255, 255, 0));vRGBs.push_back(Eigen::Vector3i(255, 0, 255));vRGBs.push_back(Eigen::Vector3i(0, 255, 255));cv::Mat image2 = image.clone();for (auto iter = mLanes.begin(); iter != mLanes.end(); iter++){Eigen::Vector3i rgb = vRGBs[iter->first % 6];auto pts = iter->second;for (auto pt: pts){cv::circle(image2, cv::Point(pt[0], pt[1]), 1, cv::Scalar(rgb[0], rgb[1], rgb[2]));}}//        for (auto contour : vInitialContours)for (auto iter = mpairEndPoints.begin(); iter != mpairEndPoints.end(); iter++){for (const cv::Point &pt: vContours[nC++]){cv::circle(image, pt, 1, cv::Scalar(0, 0, 255));}std::pair<Eigen::Vector2d, Eigen::Vector2d> pPts = iter->second;Eigen::Vector2d p1 = iter->second.first;Eigen::Vector2d p2 = iter->second.second;Eigen::Vector3i rgb = vRGBs[nC % 6];cv::line(image, cv::Point(p1[0], p1[1]), cv::Point(p2[0], p2[1]), cv::Scalar(rgb[0], rgb[1], rgb[2]), 4);}//        CvMat imMsg = image;
//        CvFont font;
//        cvInitFont(&font, CV_FONT_HERSHEY_COMPLEX, 3, 3, 0, 2);
//        const char* numLane = std::to_string(nC).c_str();
//        cvPutText(&imMsg, numLane, cvPoint(280,270), &font, cvScalar(0, 0, 255));
//
//        CvMat imMsg2 = image2;
//        CvFont font2;
//        cvInitFont(&font2, CV_FONT_HERSHEY_COMPLEX, 3, 3, 0, 2);
//        const char* numLane2 = std::to_string(ni).c_str();
//        cvPutText(&imMsg2, numLane2, cvPoint(280,270), &font2, cvScalar(0, 0, 255));//        cv::imshow("image", image);cv::imshow("image", image2);
//        cv::imwrite("image0.png", image2);
//        if (nC == 3 || nC == 5)
//        {
//            cv::waitKey(1000);
//        } else
//        {
//            cv::waitKey(1);
//        }
//
//        if (nC > 5)
//        {
//            cerr << "something is wrong";
//            abort();
//        }char c = cv::waitKey(3);if (c==112){cv::waitKey();} else{cv::waitKey(100);}cv::imwrite("pixel.png", image2);}

实践1的一些问题总结：

链接：https://blog.csdn.net/weixin_38410551/article/details/91049247

聚类算法结果的输出具有随机性，如何能够通过聚类算法得到自己想要的结果，需要做一些限制。
原因：初始化参数矩阵时，不同的随机数导致不同的结果。

问题1：道路场景发生变化时，ROI区域会发生变化，ROI区域的变化会导致检测结果出现偏差。

解决办法1：设定多个ROI区域。
风险：路边景物会影响车道线的检测，导致最终的检测结果偏差很大。
解决办法1：设定滑动框，遍历所有的ROI，如果结果合理，则保留结果。否则，则继续遍历滑动框，最终得到正确的检测结果。
风险：可能会导致在某些帧检测时出现延时。

问题2：如何确定检测结果是合理的，如果不合理时，如何想办法解决。
解决办法：可以设定一些固定参数，用这些固定参数衡量进行自适应修改。如果与固定参数相差很远，用固定参数替代检测结果。

问题3：不合理的情况有很多种，如何针对不同的情况进行针对性修改。

问题5：如何让算法自身能够自适应地调节某些参数。
原因：设定固定参数容易使得场景在某些情况无法适应。

问题6：为什么路边景物会检测出那么多直线。

问题7：浮点运算可能导致结果出现偏差。
解决办法：合并斜率接近的线。

现有方案的缺点：
（1）检测结果的稳定性差
（2）严重依赖于ROI区域的设定

优化方案1：
（1）工程化方法完成车道线聚类，即车道线分类时，人为设定一些参数。
（2）mask方法可以提高算法运行的效率。

流程方案：
（1）灰度化。
（2）canny算子检测边缘。
（3）mask确定ROI区域（需要多个mask，工程后期优化）
（4）霍夫变换检测直线。
（5）聚类（如何聚类，道路边界，中间分隔线已经清楚，是否可以就此推断应急车道线，作为一个修正方案）。

存在的问题：
mask的调用：不同的路段，mask不同，如何快速地调用mask

图像检测结果准确性的验证：
（1）从何时介入验证，效率和稳定性更高
（2）验证方法
（3）验证结果如何处理

现有方案需要处理的问题：
（1）ROI区域和车道的匹配。
ROI区域和车道的匹配是能否准确检测出车道线的基础。
（2）如何判断ROI区域和道路匹配准确。
1）初始化如何判断。
ROI区域内的直线条数是否为一个范围，存在上限和下限。或者每个ROI相对应的直线条数为一个固定的值，是否有一个统计值。
2）在运行过程中如何判断。
（3）聚类算法导致的车道线拟合偏差过大。
可以用先验车道线信息去替代。
方案参数：
输入参数：最小最大斜率，该斜率值与mask的边界有关。
方案的核心问题：mask与道路的匹配。

mask与道路匹配的标准是什么。
是否可以检测出应急车道线，若能，则认为匹配，不能，则重新匹配。（该标准也可以用于聚类车道线）
方案对拍摄视频的要求：必须将左右车道完整检测出来。
注：聚类算法抗噪声能力较弱，尤其是数据量较少时，无法准确评估聚类中心。

3 接下来可以的思路

1、基于线条特征的机场检测算法——LSD直线检测算法、平行线组提取和聚类
https://blog.csdn.net/weixin_42647783/article/details/83352454
2、基于主元分析和聚类的直线检测算法
针对现有的直线检测算法中,基于霍夫变换类算法开销大且易产生虚假结果,基于链码跟踪类方法鲁棒性和适应性较差的问题,提出一种新的直线检测算法。对边缘图像做分块链码跟踪产生链码串,然后对链码串做主元分析(PCA)构造线段,最后采用聚类方法合并线段以产生直线。实验结果表明,该算法速度较快,检测结果较理想,且对较复杂、细节丰富的图像也具有良好的检测结果。
http://kns.cnki.net/kcms/detail/detail.aspx?filename=JSJY201105015&dbcode=CJFQ&dbname=CJFD2011&v=

https://wenku.baidu.com/view/7594d9223169a4517723a3d0.html

https://www.ixueshu.com/document/747e0da31b32ea69318947a18e7f9386.html

线段聚类：

3、图像主特征直线的检测算法 —— 基于线段聚类的直线检测算法
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.590.271&rep=rep1&type=pdf

4、基于聚类的直线特征提取算法仿真研究
https://www.ixueshu.com/document/214c9856c461100798cddfd0f934236d318947a18e7f9386.html

【车道线检测与寻迹】【实践】4月17 线车位的实验思路与后续工作构想相关推荐

【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 ...
ZYAR20A 亚克力2驱蓝牙 298寻迹避障机器人 —— 小车超声波避障实验(有舵机)
在下载到开发板之前要选择好板和端口,具体参见: ZYAR20A 亚克力2驱蓝牙 298寻迹避障机器人 -- Arduino相关设置代码 // 智能小车超声波避障实验(有舵机) // 程序中电脑打印 ...
ZYAR20A 亚克力2驱蓝牙 298寻迹避障机器人 —— 小车超声波避障实验(无舵机)
在下载到开发板之前要选择好板和端口,具体参见: ZYAR20A 亚克力2驱蓝牙 298寻迹避障机器人 -- Arduino相关设置代码 // 智能小车超声波避障实验(无舵机) //======== ...
ZYAR20A 亚克力2驱蓝牙 298寻迹避障机器人 —— 小车红外避障实验（带后退掉头避障）
在下载到开发板之前要选择好板和端口,具体参见: ZYAR20A 亚克力2驱蓝牙 298寻迹避障机器人 -- Arduino相关设置代码 // 智能小车红外避障实验1(基础避障) //======= ...
车道线检测在AR导航中的应用与挑战
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 1. 导读现代社会中,随着车辆的普及,人的活动范围在逐步扩大,单单依靠人类记忆引导行驶到达目的地已经 ...
ECCV2020｜超快的车道线检测，代码模型已开源
作者|cfzd 来源|https://zhuanlan.zhihu.com/p/157530787 很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作:一种超快速的车道线检测算法(Ult ...
面向量产的3D目标与车道线检测方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 Part 1 背景介绍 1. 1 团队介绍商汤科技自动驾驶团队依托公司为背景,以 SenseParr ...
详解车道线检测数据集和模型 VIL-100: A New Dataset and A Baseline Model for Video Instance Lane Detection
本文介绍一个新的车道线数据集 VIL-100 和检测模型 MMA-Net,论文已收录于 ICCV2021,重点是理解本文提出的 LGMA 模块,用于聚合局部和全局记忆特征. 论文链接:https:// ...
ECCV 2020 ｜超快的车道线检测
本文转载自知乎,已获作者授权转载. 链接:https://zhuanlan.zhihu.com/p/157530787 很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作:一种超快速的车 ...
传感器实验——寻迹小车
传感器实验--寻迹小车防跌落小车实验所选设备寻迹小车巡线原理示例程序之前我们用寻迹模块简单的做了一个防止小车高处跌落的功能,但是寻迹并不简单(/滑稽).本次我们使用寻迹来做一个巡线功能.简 ...

【车道线检测与寻迹】【实践】4月17 线车位的实验思路与后续工作构想