无人驾驶项目实战：使用OpenCV进行实时车道检测 _无人驾驶

作者：PRATEEK JOSHI
翻译：张若楠
校对：吴金笛
本文长度为2600字，建议阅读10分钟
本文为一个从图像预处理角度入手的无人驾驶车道识别实战项目。
作者序
大约十年前，我瞥见了第一辆自动驾驶汽车，当时google仍在对初代无人车进行测试，而我立刻被这个想法吸引了。诚然，在将这些概念开源给社区之前，我必须等待一段时间，但是这些等待是值得的。
我最近尝试了一些与计算机视觉有关的自动驾驶理念，其中包括车道检测。设想一下，在设计任何自动驾驶汽车时，车道检测都是一个非常核心的技术。我们将基于这段视频搭建车道检测系统：https://youtu.be/sYhZbhT-Smw 。很酷对吧？我将使用OpenCV库，通过计算机视觉，引导你进入车道检测和自动驾驶这一领域。当然，在本教程中我们还将讲解Python代码。
对于任何深度学习或计算机视觉新手，请注意--如果你要入门，请查看以下课程及产品。这些资源可以很好的助力你开始计算机视觉之旅：

深度学习基础

https://courses.analyticsvidhya.com/courses/fundamentals-of-deep-learning

使用深度学习的计算机视觉

https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2
目录1. 了解车道检测的概念
2. 问题陈述
3. 什么是帧蒙版（Frame Mask）？
4. 用于车道检测的图像预处理
5. 在Python中使用OpenCV进行车道检测实战
车道检测的概念那么什么是车道检测？维基百科是这样定义车道的：“车道是道路（行车道）的一部分，专门用于单行车辆，以控制和引导驾驶员并减少交通冲突。”

文章插图

Figure 1：https://en.wikipedia.org/wiki/Lane
对此进行正式定义很重要，因为它使我们能够在项目中使用固定的车道定义，这样在构建系统时我们不会产生任何歧义。
如我之前提到的，车道检测是自动驾驶的重要组成部分。它是推动场景理解的最重要的研究主题之一。一旦获得车道位置，车辆将知道要去哪里，并避免驶入其他车道或离开道路的风险。这可以防止驾驶员/驾驶系统偏离行车轨道。
以下是一些随机道路图像（第一行）及其检测到的车道（第二行）：

文章插图

Figure 2 https://github.com/qinnzou/Robust-Lane-Detection
问题陈述我们希望执行的任务是视频中的实时车道检测。我们可以通过多种方式做车道检测。可以使用样本训练的方法，例如在带有标注的视频数据集上训练深度学习模型，或者使用预先训练好的模型。
但是，也有更简单的方法来执行车道检测。在本文中，我将向你展示如何在不使用任何深度学习模型的情况下做到这一点。我们将在Python中用到广受欢迎的OpenCV库。
以下是我们将要处理的视频中的一帧：

文章插图

如图片中所示，我们有四条用白色车道标记隔开的车道。因此要检测一条车道，我们必须检测到该车道两侧的白色标记。这就引出了关键问题 -- 我们如何检测车道标记线？
除了车道线外，场景中还有很多其他对象。道路上有车辆，路旁的障碍物，路灯等。在视频中，每一帧的场景都在变化。这很好地反映了现实生活中的驾驶情况。因此，在解决车道检测问题之前，我们必须找到一种方法来忽略驾驶场景中的无关物体。我们可以直接上手的一件事就是缩小关注范围。相较于使用整个帧，我们只使用画面中的一部分。在下图中，除车道标记外，其他所有内容都隐藏在该帧中。随着车辆的移动，车道标记只会在该区域出现得更多或更少。

文章插图

在下一节，我将向你展示如何编辑视频的边框以选择特定区域。此外你还将了解一些必要的图像预处理操作。
什么是蒙版（Frame Mask）?在这里，蒙版不过是一个NumPy数组。当我们想对图像应用遮罩时，我们只需将图像中所需区域的像素值更改为0或255，或任何其他数字。下面给出的是图像遮罩的示例。图像中某个区域的像素值已设置为0：