繁体网站怎么做,大学生html网页设计期末作品,网站开发文档下载,vs网站开发需要的组件一、思路 基于OpenCV的库#xff1a;对视频中的车道线进行识别 1、视频处理#xff1a;视频读取
2、图像转换#xff1a;图像转换为灰度图
3、噪声去除#xff1a;高斯模糊对图像进行去噪#xff0c;提高边缘检测的准确性
4、边缘检测#xff1a;Canny算法进行边缘检测…
一、思路 基于OpenCV的库对视频中的车道线进行识别 1、视频处理视频读取
2、图像转换图像转换为灰度图
3、噪声去除高斯模糊对图像进行去噪提高边缘检测的准确性
4、边缘检测Canny算法进行边缘检测找出图像中边缘
5、区域裁剪定义ROIRegion of Interest感兴趣区域裁剪出这个区域的边缘检测结果
6、直线检测霍夫变换对ROI区域进行直线检测找出车道线
7、结果展示将检测到的车道线画在原图/视频上 二、实施流程 1. 高斯模糊、Canny边缘检测、霍夫变换 import numpy as np
import cv2blur_ksize 5 # 高斯模糊核大小
canny_lthreshold 50 # Canny边缘检测低阈值
canny_hthreshold 150 # Canny边缘检测高阈值
# 霍夫变换参数
rho 1 #rho的步长即直线到图像原点(0,0)点的距离
theta np.pi / 180 #theta的范围
threshold 15 #累加器中的值高于它时才认为是一条直线
min_line_length 40 #线的最短长度比这个短的都被忽略
max_line_gap 20 #两条直线之间的最大间隔小于此值认为是一条直线 2、定义roi_mask函数用于保留感兴趣区域屏蔽掉图像中不需要处理的部分例如天空、树木等只保留路面部分从而提高后续处理的效率和准确性。 #img是输入的图像verticess是兴趣区的四个点的坐标三维的数组
def roi_mask(img, vertices):mask np.zeros_like(img) #生成与输入图像相同大小的图像并使用0填充,图像为黑色mask_color 255cv2.fillPoly(mask, vertices, mask_color) #使用白色填充多边形形成蒙板masked_img cv2.bitwise_and(img, mask) #imgmask经过此操作后兴趣区域以外的部分被蒙住了只留下兴趣区域的图像return masked_img 3、定义draw_lines函数用于后续对检测到的车道线进行绘制图线。 # 对图像进行画线
def draw_lines(img, lines, color[255, 255, 0], thickness2):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness) 4、定义hough_lines函数用于通过霍夫变换检测出图像中的直线然后根据这些直线执行draw_lines函数画出车道线 def hough_lines(img, rho, theta, threshold,min_line_len, max_line_gap):lines cv2.HoughLinesP(img, rho, theta, threshold, np.array([]),minLineLengthmin_line_len,maxLineGapmax_line_gap)line_img np.zeros((img.shape[0], img.shape[1], 3), dtypenp.uint8) #生成绘制直线的绘图板黑底# draw_lines(line_img, lines)draw_lanes(line_img, lines)return line_img 5、定义draw_lanes函数用于根据霍夫变换检测到的直线分类、清理、拟合、绘制出车道线 def draw_lanes(img, lines, color[255, 255, 0], thickness8):left_lines, right_lines [], [] #用于存储左边和右边的直线for line in lines: #对直线进行分类for x1, y1, x2, y2 in line:k (y2 - y1) / (x2 - x1)if k 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) 0 or len(right_lines) 0):return imgclean_lines(left_lines, 0.1) #弹出左侧不满足斜率要求的直线clean_lines(right_lines, 0.1) #弹出右侧不满足斜率要求的直线left_points [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line] #提取左侧直线族中的所有的第一个点left_points left_points [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line] #提取左侧直线族中的所有的第二个点right_points [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧直线族中的所有的第一个点right_points right_points [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧侧直线族中的所有的第二个点left_vtx calc_lane_vertices(left_points, 325, img.shape[0]) #拟合点集生成直线表达式并计算左侧直线在图像中的两个端点的坐标right_vtx calc_lane_vertices(right_points, 325, img.shape[0]) #拟合点集生成直线表达式并计算右侧直线在图像中的两个端点的坐标cv2.line(img, left_vtx[0], left_vtx[1], color, thickness) #画出左侧直线cv2.line(img, right_vtx[0], right_vtx[1], color, thickness) #画出右侧直线 6、定义clean_lines函数用于将斜率不满足要求的直线去除即不进行绘制 #将不满足斜率要求的直线弹出
def clean_lines(lines, threshold):slope [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]while len(lines) 0:mean np.mean(slope) #计算斜率的平均值因为后面会将直线和斜率值弹出diff [abs(s - mean) for s in slope] #计算每条直线斜率与平均值的差值idx np.argmax(diff) #计算差值的最大值的下标if diff[idx] threshold: #将差值大于阈值的直线弹出slope.pop(idx) #弹出斜率lines.pop(idx) #弹出直线else:break 7、定义calc_lane_vertices函数用于根据给定的点集拟合一条直线并计算这条直线在图像中的两个端点的坐标 #拟合点集生成直线表达式并计算直线在图像中的两个端点的坐标
def calc_lane_vertices(point_list, ymin, ymax):x [p[0] for p in point_list] #提取xy [p[1] for p in point_list] #提取yfit np.polyfit(y, x, 1) #用一次多项式xa*yb拟合这些点fit是(a,b)fit_fn np.poly1d(fit) #生成多项式对象a*ybxmin int(fit_fn(ymin)) #计算这条直线在图像中最左侧的横坐标xmax int(fit_fn(ymax)) #计算这条直线在图像中最右侧的横坐标return [(xmin, ymin), (xmax, ymax)] 8、编写主函数。首先读取视频并获取每一帧如果读取帧失败即视频已经播放完毕则跳出循环接着对读取到的帧进行一系列处理包括转换为灰度图、高斯模糊、Canny边缘检测、生成ROI掩膜、霍夫直线检测等然后将处理后的图像与原图融合得到最终的结果最后显示结果图像如果按下Esc键则跳出循环即关闭所有窗口 if __name__ __main__:try:cap cv2.VideoCapture(./video_1.mp4)if (cap.isOpened()): # 视频打开成功flag 1else:flag 0num 0if (flag):while (True):ret,frame cap.read() # 读取一帧if ret False: # 读取帧失败breakgray cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图blur_gray cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声edges cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测roi_vtx np.array([[(0, frame.shape[0]), (460, 325),(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标roi_vtx是一个三维的数组roi_edges roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板去掉不感兴趣的区域保留兴趣区line_img hough_lines(roi_edges, rho, theta, threshold,min_line_length, max_line_gap) #使用霍夫直线检测并且绘制直线res_img cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合cv2.imshow(meet,res_img)if cv2.waitKey(30) 0xFF 27:breakcv2.waitKey(0)cv2.destroyAllWindows()except:pass # 使用环境dlcv/001#1、
import numpy as np
import cv2blur_ksize 5 # 高斯模糊核大小
canny_lthreshold 50 # Canny边缘检测低阈值
canny_hthreshold 150 # Canny边缘检测高阈值
# 霍夫变换参数
rho 1 # rho的步长即直线到图像原点(0,0)点的距离
theta np.pi / 180 # theta的范围
threshold 15 # 累加器中的值高于它时才认为是一条直线
min_line_length 40 # 线的最短长度比这个短的都被忽略
max_line_gap 20 # 两条直线之间的最大间隔小于此值认为是一条直线#2、
#img是输入的图像verticess是兴趣区的四个点的坐标三维的数组
def roi_mask(img, vertices):mask np.zeros_like(img) #生成与输入图像相同大小的图像并使用0填充,图像为黑色mask_color 255cv2.fillPoly(mask, vertices, mask_color) #使用白色填充多边形形成蒙板masked_img cv2.bitwise_and(img, mask) #imgmask经过此操作后兴趣区域以外的部分被蒙住了只留下兴趣区域的图像return masked_img#3、
# 对图像进行画线
def draw_lines(img, lines, color[255, 255, 0], thickness2):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness)#4、
def hough_lines(img, rho, theta, threshold,min_line_len, max_line_gap):lines cv2.HoughLinesP(img, rho, theta, threshold, np.array([]),minLineLengthmin_line_len,maxLineGapmax_line_gap)line_img np.zeros((img.shape[0], img.shape[1], 3), dtypenp.uint8) #生成绘制直线的绘图板黑底# draw_lines(line_img, lines)draw_lanes(line_img, lines)return line_img#5、
def draw_lanes(img, lines, color[255, 255, 0], thickness8):left_lines, right_lines [], [] # 用于存储左边和右边的直线for line in lines: # 对直线进行分类for x1, y1, x2, y2 in line:k (y2 - y1) / (x2 - x1)if k 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) 0 or len(right_lines) 0):return imgclean_lines(left_lines, 0.1) # 弹出左侧不满足斜率要求的直线clean_lines(right_lines, 0.1) # 弹出右侧不满足斜率要求的直线left_points [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line] # 提取左侧直线族中的所有的第一个点left_points left_points [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line] # 提取左侧直线族中的所有的第二个点right_points [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line] # 提取右侧直线族中的所有的第一个点right_points right_points [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line] # 提取右侧侧直线族中的所有的第二个点left_vtx calc_lane_vertices(left_points, 325, img.shape[0]) # 拟合点集生成直线表达式并计算左侧直线在图像中的两个端点的坐标right_vtx calc_lane_vertices(right_points, 325, img.shape[0]) # 拟合点集生成直线表达式并计算右侧直线在图像中的两个端点的坐标cv2.line(img, left_vtx[0], left_vtx[1], color, thickness) # 画出左侧直线cv2.line(img, right_vtx[0], right_vtx[1], color, thickness) # 画出右侧直线#6、
#将不满足斜率要求的直线弹出
def clean_lines(lines, threshold):slope [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]while len(lines) 0:mean np.mean(slope) #计算斜率的平均值因为后面会将直线和斜率值弹出diff [abs(s - mean) for s in slope] #计算每条直线斜率与平均值的差值idx np.argmax(diff) #计算差值的最大值的下标if diff[idx] threshold: #将差值大于阈值的直线弹出slope.pop(idx) #弹出斜率lines.pop(idx) #弹出直线else:break#7、
#拟合点集生成直线表达式并计算直线在图像中的两个端点的坐标
def calc_lane_vertices(point_list, ymin, ymax):x [p[0] for p in point_list] #提取xy [p[1] for p in point_list] #提取yfit np.polyfit(y, x, 1) #用一次多项式xa*yb拟合这些点fit是(a,b)fit_fn np.poly1d(fit) #生成多项式对象a*ybxmin int(fit_fn(ymin)) #计算这条直线在图像中最左侧的横坐标xmax int(fit_fn(ymax)) #计算这条直线在图像中最右侧的横坐标return [(xmin, ymin), (xmax, ymax)]#8、
if __name__ __main__:try:cap cv2.VideoCapture(1.mp4)if (cap.isOpened()): # 视频打开成功flag 1else:flag 0num 0if (flag):while (True):ret,frame cap.read() # 读取一帧if ret False: # 读取帧失败breakgray cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图blur_gray cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声edges cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测roi_vtx np.array([[(0, frame.shape[0]), (460, 325),(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标roi_vtx是一个三维的数组roi_edges roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板去掉不感兴趣的区域保留兴趣区line_img hough_lines(roi_edges, rho, theta, threshold,min_line_length, max_line_gap) #使用霍夫直线检测并且绘制直线res_img cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合cv2.imshow(meet,res_img)if cv2.waitKey(30) 0xFF 27:breakcv2.waitKey(0)cv2.destroyAllWindows()except:pass # 使用环境dlcv/001from moviepy.editor import VideoFileClip
import cv2
import numpy as np
# 高斯滤波核大小
blur_ksize 5
# Canny边缘检测高低阈值
canny_lth 50
canny_hth 150
# 霍夫变换参数
rho 1
theta np.pi / 180
threshold 15
min_line_len 40
max_line_gap 20
def process_an_image(img):# 1. 灰度化、滤波和Cannygray cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)blur_gray cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 1)edges cv2.Canny(blur_gray, canny_lth, canny_hth)# 2. 标记四个坐标点用于ROI截取rows, cols edges.shapepoints np.array([[(0, rows), (460, 325), (520, 325), (cols, rows)]])# [[[0 540], [460 325], [520 325], [960 540]]]roi_edges roi_mask(edges, points)# 3. 霍夫直线提取drawing, lines hough_lines(roi_edges, rho, theta,threshold, min_line_len, max_line_gap)# 4. 车道拟合计算draw_lanes(drawing, lines)# 5. 最终将结果合在原图上result cv2.addWeighted(img, 0.9, drawing, 0.2, 0)return result
def roi_mask(img, corner_points):# 创建掩膜mask np.zeros_like(img)cv2.fillPoly(mask, corner_points, 255)masked_img cv2.bitwise_and(img, mask)return masked_img
def hough_lines(img, rho, theta, threshold, min_line_len, max_line_gap):# 统计概率霍夫直线变换lines cv2.HoughLinesP(img, rho, theta, threshold,minLineLengthmin_line_len, maxLineGapmax_line_gap)# 新建一副空白画布drawing np.zeros((img.shape[0], img.shape[1], 3), dtypenp.uint8)# 画出直线检测结果# draw_lines(drawing, lines)return drawing, lines
def draw_lines(img, lines, color[0, 0, 255], thickness1):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness)
def draw_lanes(img, lines, color[255, 0, 0], thickness8):# a. 划分左右车道left_lines, right_lines [], []for line in lines:for x1, y1, x2, y2 in line:k (y2 - y1) / (x2 - x1)if k 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) 0 or len(right_lines) 0):return# b. 清理异常数据clean_lines(left_lines, 0.1)clean_lines(right_lines, 0.1)# c. 得到左右车道线点的集合拟合直线left_points [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line]left_points left_points [(x2, y2)for line in left_lines for x1, y1, x2, y2 in line]right_points [(x1, y1)for line in right_lines for x1, y1, x2, y2 in line]right_points right_points \[(x2, y2) for line in right_lines for x1, y1, x2, y2 in line]left_results least_squares_fit(left_points, 325, img.shape[0])right_results least_squares_fit(right_points, 325, img.shape[0])# 注意这里点的顺序vtxs np.array([[left_results[1], left_results[0], right_results[0], right_results[1]]])# d.填充车道区域cv2.fillPoly(img, vtxs, (0, 255, 0))# 或者只画车道线# cv2.line(img, left_results[0], left_results[1], (0, 255, 0), thickness)# cv2.line(img, right_results[0], right_results[1], (0, 255, 0), thickness)
def clean_lines(lines, threshold):# 迭代计算斜率均值排除掉与差值差异较大的数据slope [(y2 - y1) / (x2 - x1)for line in lines for x1, y1, x2, y2 in line]while len(lines) 0:mean np.mean(slope)diff [abs(s - mean) for s in slope]idx np.argmax(diff)if diff[idx] threshold:slope.pop(idx)lines.pop(idx)else:break
def least_squares_fit(point_list, ymin, ymax):# 最小二乘法拟合x [p[0] for p in point_list]y [p[1] for p in point_list]# polyfit第三个参数为拟合多项式的阶数所以1代表线性fit np.polyfit(y, x, 1)fit_fn np.poly1d(fit) # 获取拟合的结果xmin int(fit_fn(ymin))xmax int(fit_fn(ymax))return [(xmin, ymin), (xmax, ymax)]# 主函数
if __name__ __main__:output output4.mp4# cap cv2.VideoCapture(3.mp4)clip VideoFileClip(4.mp4)out_clip clip.fl_image(process_an_image)out_clip.write_videofile(output, audioFalse)# #8、
# if __name__ __main__:
# try:
# cap cv2.VideoCapture(3.mp4)
# if (cap.isOpened()): # 视频打开成功
# flag 1
# else:
# flag 0
# num 0
# if (flag):
# while (True):
# ret,frame cap.read() # 读取一帧
# if ret False: # 读取帧失败
# break# gray cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图# blur_gray cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声# edges cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测# roi_vtx np.array([[(0, frame.shape[0]), (460, 325),# (520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标roi_vtx是一个三维的数组# roi_edges roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板去掉不感兴趣的区域保留兴趣区# line_img hough_lines(roi_edges, rho, theta, threshold,# min_line_length, max_line_gap) #使用霍夫直线检测并且绘制直线# res_img cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合# cv2.imshow(meet,res_img)# if cv2.waitKey(30) 0xFF 27:# break# cv2.waitKey(0)# cv2.destroyAllWindows()# except:# pass
