對(duì)于所有想知道如何在一篇文章中涵蓋這一概念的人，我想說，在你深入探索之前，事情聽起來很復(fù)雜。我不會(huì)說這篇文章非常簡(jiǎn)單，但是它的確是建立在非�；�礎(chǔ)的計(jì)算機(jī)視覺概念之上的。
先決條件是什么？具備一些基本的OpenCV知識(shí)會(huì)很好。如果沒有，請(qǐng)不要擔(dān)心，我將嘗試解釋我將使用的OpenCV函數(shù)，并為你提供參考，以更詳細(xì)地檢查它們。本文的每一節(jié)將介紹一個(gè)最終將在程序的主要部分中使用的函數(shù)。此外，在本文中，我將使用圖像演示所有內(nèi)容。你可以重用相同的代碼來使用視頻（因?yàn)橐曨l只是圖像的集合）。

步驟1：邊緣檢測(cè)我們將使用Canny邊緣檢測(cè)。如果你不確定這是什么，看看我之前的文章，它以實(shí)用的方式解釋了這一點(diǎn)。https：／／medium．com／analytics－vidhya／image－simplification－through－binarization－in－opencv－1292d91cae12def canyEdgeDetector（image）：
   edged ＝ cv2．Canny（image， 50， 150）
   return edged
這是我們應(yīng)用Canny邊緣檢測(cè)后的輸出結(jié)果

檢測(cè)Canny邊緣后輸出步驟2：定義ROI（感興趣區(qū)域）駕駛時(shí)，為了讓汽車保持在車道上，你只關(guān)注當(dāng)前道路的下一個(gè)100米。而且，你也不關(guān)心護(hù)欄另一邊的路。這就是我們感興趣的區(qū)域。我們從圖像中隱藏不必要的細(xì)節(jié)，只顯示能幫助我們找到車道的區(qū)域。

紅色的三角形表示我們感興趣的區(qū)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．a(chǎn)rray（［［（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＿image
我們已經(jīng)定義了三角形ROI，它的坐標(biāo)將根據(jù)你安裝在你的汽車上的攝像頭的位置而變化（嘗試只擁有那部分圖像，這將實(shí)際有助于車道檢測(cè)）。我們創(chuàng)建了一個(gè)與原始圖像相同形狀的黑色圖像：

創(chuàng)建一個(gè)與原始圖像相同形狀的黑色圖像創(chuàng)建蒙版：然后使用cv2．fillPoly（）將我們的三角形（帶白色線條）放在我們的黑色圖像的頂部，創(chuàng)建一個(gè)蒙版。

創(chuàng)建一個(gè)面具在我們的原始圖像上應(yīng)用蒙版，得到只有我們的ROI的裁剪圖像。

原始圖像＋蒙版＝具有ROI的最終圖像這一步的輸出類似于：

getROI （）之后的輸出在得到感興趣區(qū)域之前進(jìn)行邊緣檢測(cè)是很重要的，否則邊緣檢測(cè)也會(huì)檢測(cè)出我們感興趣區(qū)域的邊界。步驟3：獲取圖像中的所有直線下一步是通過ROI得到圖像中的所有直線。houghlinesp（）可以幫助你實(shí)現(xiàn)這一點(diǎn)。這個(gè)函數(shù)返回它能在輸入圖像中找到的所有直線的列表。每一行用［x1， y1， x2， y2］表示�，F(xiàn)在，這看起來很簡(jiǎn)單，但是houghlinesp檢測(cè)的基本工作原理需要一點(diǎn)時(shí)間來解釋。所以我不會(huì)在本文中介紹它。相反，我建議你看一看此教程（＃28，＃29，＃30應(yīng)該足以理解霍夫直線原則）。教程：https：／／www．youtube．com／watch？v＝7m－RVJ6ABsYdef getLines（image）：
   lines ＝ cv2．HoughLinesP（image， 0．3， np．pi／180， 100， np．a(chǎn)rray（［］）， minLineLength＝70， maxLineGap＝20）
   return lines
必須根據(jù)你的需求調(diào)整cv2．HoughLinesP（）的參數(shù)（嘗試更改和調(diào)試最適合你的）。但我認(rèn)為以上這些應(yīng)該在大多數(shù)情況下都適用。這一步的輸出是這樣的：

在圖像中檢測(cè)到3條線。圖像中可能檢測(cè)到數(shù)百條線。因此，調(diào)整參數(shù)以獲得盡可能少的線步驟4：一些實(shí)用函數(shù)下面的實(shí)用函數(shù)獲取圖像和線條列表，并在圖像上繪制線條。（這個(gè)步驟沒有從步驟3獲取任何輸入。相反，這只是一個(gè)將從Step5調(diào)用的實(shí)用程序步驟，因此你首先查看Step5并在需要時(shí)訪問該步驟）。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
我們定義了另一個(gè)實(shí)用函數(shù)來從它的參數(shù)（斜率和截距）得到線坐標(biāo)。記住，直線用y＝mx＋c表示，其中m是斜率，c是截距。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．a(chǎn)rray（［x1， y1， x2， y2］）

注意我們是如何選擇y和y的值的步驟5：平滑線條一旦我們從步驟3中獲得了直線，在這一步中我們將這些直線分成兩組（左邊和右邊）。如果你注意到步驟3的輸出圖像，那么該步驟將把Line1和line2放到左邊的組中，而Line3放到右邊的組中。

如何在車道的左側(cè)和右側(cè)獲得一條公共線分組后，我們找到該組的平均斜率（m）和截距（c），并通過調(diào)用getLineCoordinatesFromParameters（） 并傳遞平均值m和平均值c來為每個(gè)組創(chuàng)建一條線。下面是完成這一切的函數(shù)：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．a(chǎn)ppend（（slope， intercept））
       else：
           right＿fit．a(chǎn)ppend（（slope， intercept））
   left＿fit＿average ＝ np．a(chǎn)verage（left＿fit， axis＝0）
   right＿fit＿average ＝ np．a(chǎn)verage（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．a(chǎn)rray（［left＿line， right＿line］）
這是線條分組后的圖像：

線分組后輸出主代碼（逐一調(diào)用上述步驟）一旦我們準(zhǔn)備好了各個(gè)函數(shù)，我們只需要在我們的主代碼中調(diào)用它們，你就會(huì)在你的圖像中檢測(cè)到車道。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）
輸出會(huì)像這樣：

具有確定車道的最最后的話終輸出你一直看到文章的結(jié)尾。對(duì)所有內(nèi)容進(jìn)行排序并使其適合圖像后，你便知道如何將其用于視頻。你可能已經(jīng)意識(shí)到你可以如何巧妙地使用非常基本的計(jì)算機(jī)視覺操作來實(shí)現(xiàn)如此有用的東西。我想說的是，不要把這項(xiàng)工作與特斯拉這樣的大公司做的比較（他們的基礎(chǔ)也是類似的）。把這作為動(dòng)力，也許在某個(gè)時(shí)候，你也能取得類似的成就。
END