一、边缘检测
我们将使用 Canny 进行边缘检测。如果你不确定这是什么，请查阅相关资料，对于后文的阅读会有帮助。
代码语言：javascript复制def canyEdgeDetector(image):
edged = cv2.Canny(image, 50, 150)
return edged二、定义ROI
驾驶时，为了让汽车保持在车道上，只关注当前道路的下一个100米。此外，也不关心分隔线另一侧的道路。这就是我们定义的区域。我们隐藏图像中不必要的细节，只显示有助于我们找到车道的区域。
def getROI(image):
height = image.shape[0]
width = image.shape[1]
# Defining Triangular ROI: The values will change as per your camera mounts
triangle = np.array([[(100, height), (width, height), (width-500, int(height/1.9))]])
# creating black image same as that of input image
black_image = np.zeros_like(image)
# Put the Triangular shape on top of our Black image to create a mask
mask = cv2.fillPoly(black_image, triangle, 255)
# applying mask on original image
masked_image = cv2.bitwise_and(image, mask)
return masked_image1.我们已经定义了三角形 ROI，其坐标将根据你们在汽车上安装摄像头的位置而变化（尽量只使用图像中实际有助于车道检测的那部分）。
2.我们创建了一个与原始图像形状相同的黑色图像：
3.创建一个蒙版：然后我们使用cv2.fillPoly()将我们的三角形（带有白色线条）放在我们的黑色图像之上以创建一个蒙版。
4. 在我们的原始图像上应用蒙版以获得只有我们的 ROI 的裁剪图像。
此步骤的输出：
三、获取线
下一步是通过 ROI 以获取图像中的所有直线。cv2.HoughLinesP（）可以实现这一目标，此函数返回它可以在输入图像中找到的所有直线的列表，每条线由 [x1, y1, x2, y2] 表示。
代码语言：javascript复制def getLines(image):
lines = cv2.HoughLinesP(image, 0.3, np.pi/180, 100, np.array([]), minLineLength=70, maxLineGap=20)
return linescv2.HoughLinesP() 的参数必须根据要求进行调整（尝试更改和调试最适合方法）。但我们认为上面的方法在大多数情况下都应该有效，此步骤的输出如下所示：
四、绘制线条
以下实用程序函数获取图像和线条列表，并在图像上绘制线条。（此步骤不接受来自 Step3 的任何输入。相反，这只是一个将从 Step5 调用的实用步骤，因此首先查看 Step5，并在需要时访问此步骤）。
代码语言：javascript复制def displayLines(image, lines):
if lines is not None:
for line in lines:
x1, y1, x2, y2 = line.reshape(4) #converting to 1d array
cv2.line(image, (x1, y1), (x2, y2), (255, 0, 0), 10)
return image我们定义了另一个效用函数来从它的参数（斜率和截距）中获取线坐标。需要注意的是：一条线由y=mx c表示，其中 m 是斜率，c 是截距。
代码语言：javascript复制def getLineCoordinatesFromParameters(image, line_parameters):
slope = line_parameters[0]
intercept = line_parameters[1]
y1 = image.shape[0] # since line will always start from bottom of image
y2 = int(y1 * (3.4 / 5)) # some random point at 3/5
x1 = int((y1 - intercept) / slope)
x2 = int((y2 - intercept) / slope)
return np.array([x1, y1, x2, y2])
五、获取平滑的线条
一旦我们从步骤 3 中获得了线条，在这一步中，我们将这些线条分成 2 组（左和右）。如果你们注意到Step3的输出图像，则此步骤会将Line1和Line 2放入左侧组，将Line3放入右侧组。
分组后，我们找到该组的平均斜率（m）和截距（c），并尝试通过调用 getLineCoordinatesFromParameters() 并传递平均值 m 和平均值 c 为每个组创建一条线。
以下是完成所有这些工作的函数：
代码语言：javascript复制def getSmoothLines(image, lines):
left_fit = [] # will hold m,c parameters for left side lines
right_fit = [] # will hold m,c parameters for right side lines
for line in lines:
x1, y1, x2, y2 = line.reshape(4)
parameters = np.polyfit((x1, x2), (y1, y2), 1)
slope = parameters[0]
intercept = parameters[1]
if slope < 0:
left_fit.append((slope, intercept))
else:
right_fit.append((slope, intercept))
left_fit_average = np.average(left_fit, axis=0)
right_fit_average = np.average(right_fit, axis=0)
# now we have got m,c parameters for left and right line, we need to know x1,y1 x2,y2 parameters
left_line = getLineCoordinatesFromParameters(image, left_fit_average)
right_line = getLineCoordinatesFromParameters(image, right_fit_average)
return np.array([left_line, right_line])这是线条分组后图像的外观：
六、主要代码
一旦我们准备好了单独的函数，我们只需要在我们的主代码中调用它们，你就会在你的图像中检测到车道。
代码语言：javascript复制image = cv2.imread("3.jpg") #Load Image
edged_image = canyEdgeDetector(image) # Step 1
roi_image = getROI(edged_image) # Step 2
lines = getLines(roi_image) # Step 3
smooth_lines = getSmoothLines(image, lines) # Step 5
image_with_smooth_lines = displayLines(image, smooth_lines) # Step 4
cv2.imshow("Output", image_with_smooth_lines)
cv2.waitKey(0)输出将如下所示：
Github代码链接：
https://github.com/pdhruv93/computer-vision/tree/main/lane-detection-self-driving
