我们基于图像的梯度和颜色特征，定位车道线的位置。
在这里选用Sobel边缘提取算法，Sobel相比于Canny的优秀之处在于，它可以选择横向或纵向的边缘进行提取。从车道的拍摄图像可以看出，我们关心的正是车道线在横向上的边缘突变。OpenCV提供的cv2.Sobel()函数，将进行边缘提取后的图像做二进制图的转化，即提取到边缘的像素点显示为白色（值为1），未提取到边缘的像素点显示为黑色（值为0）。由于只使用边缘检测，在有树木阴影覆盖的区域时，虽然能提取出车道线的大致轮廓，但会同时引入的噪声，给后续处理带来麻烦。所以在这里我们引入颜色阈值来解决这个问题。
1.颜色空间
在车道线检测中，我们使用的是HSL颜色空间，其中H表示色相，即颜色，S表示饱和度，即颜色的纯度，L表示颜色的明亮程度。
HSL的H(hue)分量，代表的是人眼所能感知的颜色范围，这些颜色分布在一个平面的色相环上，取值范围是0°到360°的圆心角，每个角度可以代表一种颜色。色相值的意义在于，我们可以在不改变光感的情况下，通过旋转色相环来改变颜色。在实际应用中，我们需要记住色相环上的六大主色，用作基本参照：360°/0°红、60°黄、120°绿、180°青、240°蓝、300°洋红，它们在色相环上按照60°圆心角的间隔排列：
HSL的S(saturation)分量，指的是色彩的饱和度，描述了相同色相、明度下色彩纯度的变化。数值越大，颜色中的灰色越少，颜色越鲜艳，呈现一种从灰度到纯色的变化。因为车道线是黄色或白色，所以利用s通道阈值来检测车道线。
HSL的L(lightness)分量，指的是色彩的明度，作用是控制色彩的明暗变化。数值越小，色彩越暗，越接近于黑色；数值越大，色彩越亮，越接近于白色。
2.车道线提取
车道线提取的代码如下所示：
# 车道线提取代码 def pipeline(img, s_thresh=(170, 255), sx_thresh=(40, 200)): img = np.copy(img) #1.将图像转换为HLS色彩空间，并分离各个通道 hls = cv2.cvtColor(img, cv2.COLOR_RGB2HLS).astype(np.float) h_channel = hls[:, :, 0] l_channel = hls[:, :, 1] s_channel = hls[:, :, 2] #2.利用sobel计算x方向的梯度 sobelx = cv2.Sobel(l_channel, cv2.CV_64F, 1, 0) abs_sobelx = np.absolute(sobelx) # 将导数转换为8bit整数 scaled_sobel = np.uint8(255 * abs_sobelx / np.max(abs_sobelx)) sxbinary = np.zeros_like(scaled_sobel) sxbinary[(scaled_sobel >= sx_thresh[0]) & (scaled_sobel <= sx_thresh[1])] = 1 # 3.对s通道进行阈值处理 s_binary = np.zeros_like(s_channel) s_binary[(s_channel >= s_thresh[0]) & (s_channel <= s_thresh[1])] = 1 # 4. 将边缘检测的结果和颜色空间阈值的结果合并，并结合l通道的取值，确定车道提取的二值图结果 color_binary = np.zeros_like(sxbinary) color_binary[((sxbinary == 1) | (s_binary == 1)) & (l_channel > 100)] = 1 return color_binary
我们来看下整个流程：
首先我们是把图像转换为HLS颜色空间，然后利用边缘检测和阈值的方法检测车道线，我们以下图为例，来看下检测结果：
- 利用sobel边缘检测的结果
- 利用S通道的阈值检测结果
- 将边缘检测结果与颜色检测结果合并，并利用L通道抑制非白色的信息：
总结：
1.颜色空间：
HLS：色相，饱和度，明亮程度
2.车道线提取
颜色空间转换-》边缘检测-》颜色阈值-》合并得到检测结果。
代码：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt #遍历文件夹 import glob from moviepy.editor import VideoFileClip """参数设置""" nx = 9 ny = 6 #获取棋盘格数据 file_paths = glob.glob("./camera_cal/calibration*.jpg") # 绘制对比图 def plot_contrast_image(origin_img, converted_img, origin_img_title="origin_img", converted_img_title="converted_img", converted_img_gray=False): fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 20)) ax1.set_title = origin_img_title ax1.imshow(origin_img) ax2.set_title = converted_img_title if converted_img_gray == True: ax2.imshow(converted_img, cmap="gray") else: ax2.imshow(converted_img) plt.show() #相机矫正使用opencv封装好的api #目的:得到内参、外参、畸变系数 def cal_calibrate_params(file_paths): #存储角点数据的坐标 object_points = [] #角点在真实三维空间的位置 image_points = [] #角点在图像空间中的位置 #生成角点在真实世界中的位置 objp = np.zeros((nx*ny,3),np.float32) #以棋盘格作为坐标，每相邻的黑白棋的相差1 objp[:,:2] = np.mgrid[0:nx,0:ny].T.reshape(-1,2) #角点检测 for file_path in file_paths: img = cv2.imread(file_path) #将图像灰度化 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #角点检测 rect,coners = cv2.findChessboardCorners(gray,(nx,ny),None) #若检测到角点，则进行保存 即得到了真实坐标和图像坐标 if rect == True : object_points.append(objp) image_points.append(coners) # 相机较真 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(object_points, image_points, gray.shape[::-1], None, None) return ret, mtx, dist, rvecs, tvecs # 图像去畸变：利用相机校正的内参，畸变系数 def img_undistort(img, mtx, dist): dis = cv2.undistort(img, mtx, dist, None, mtx) return dis #车道线提取 #颜色空间转换--》边缘检测--》颜色阈值--》并且使用L通道进行白色的区域进行抑制 def pipeline(img,s_thresh = (170,255),sx_thresh=(40,200)): # 复制原图像 img = np.copy(img) # 颜色空间转换 hls = cv2.cvtColor(img,cv2.COLOR_RGB2HLS).astype(np.float) l_chanel = hls[:,:,1] s_chanel = hls[:,:,2] #sobel边缘检测 sobelx = cv2.Sobel(l_chanel,cv2.CV_64F,1,0) #求绝对值 abs_sobelx = np.absolute(sobelx) #将其转换为8bit的整数 scaled_sobel = np.uint8(255 * abs_sobelx / np.max(abs_sobelx)) #对边缘提取的结果进行二值化 sxbinary = np.zeros_like(scaled_sobel) #边缘位置赋值为1，非边缘位置赋值为0 sxbinary[(scaled_sobel >= sx_thresh[0]) & (scaled_sobel <= sx_thresh[1])] = 1 plt.figure() plt.imshow(sxbinary, cmap='gray') plt.title("sobel") plt.show() #对S通道进行阈值处理 s_binary = np.zeros_like(s_chanel) s_binary[(s_chanel >= s_thresh[0]) & (s_chanel <= s_thresh[1])] = 1 plt.figure() plt.imshow(s_binary, cmap='gray') plt.title("schanel") plt.show() # 结合边缘提取结果和颜色通道的结果， color_binary = np.zeros_like(sxbinary) color_binary[((sxbinary == 1) | (s_binary == 1)) & (l_chanel > 100)] = 1 return color_binary if __name__ == "__main__": #测试车道线提取 img = cv2.imread('./test/test3.jpg') result = pipeline(img) plot_contrast_image(img, result, converted_img_gray=True)
代码输出：
1.原图
2.sobel之后
3.schanel
4.处理完毕对比图
