opencv车道偏离系统-代码+原理-人工智能-自动驾驶

news2024/12/22 16:27:32

车道偏离预警系统（Lane Departure Warning System, LDWS）是一种主动安全技术，旨在帮助驾驶员避免因无意中偏离车道而引发的事故。从原理到实战应用，其工作流程大致如下：
在这里插入图片描述

传感器采集

：系统通常配备有一个或多个摄像头，安装在车辆的前挡风玻璃上方、侧边或后视镜内，用于持续捕捉前方道路的图像。某些系统可能还会结合雷达或超声波传感器以增强准确性。
图像处理与分析：摄像头捕捉到的图像通过图像处理算法进行分析，这些算法能够识别出车道标记线（如白线、黄线）。算法会计算车辆相对于车道的位置，确定车辆是否保持在车道内。
状态监测：系统同时监测车辆的行驶状态（如速度、方向角度）和驾驶员的操作行为（如是否开启了转向灯），以判断车道偏离是否为驾驶员的有意操作。

预警触发：当系统判断车辆无意识地偏离车道（即没有打转向灯且车辆靠近或越过车道线），控制器会在极短时间内（通常是0.5秒内）激活预警机制，向驾驶员发出警告。警告方式通常包括声音警报、方向盘震动或仪表盘上的视觉警告。

实战应用

日常驾驶：在高速公路或城市快速路上，当驾驶员因疲劳、分心等原因未注意到车辆正在偏离车道时，LDWS能及时发出警告，提醒驾驶员采取措施回到车道中心，从而预防碰撞事故的发生。

恶劣天气适应性：虽然一些系统在雨雪天气或车道线不清晰的情况下性能可能会下降，但现代LDWS通过算法优化和传感器融合技术努力提高在复杂环境下的可靠性

。

与ADAS集成：在更高级的自动驾驶辅助系统（ADAS）中，LDWS不仅提供警告，还可以与车道保持辅助系统（LKA）等其他功能协同工作，自动轻微调整转向，帮助车辆保持在车道内。
在这里插入图片描述

算法步骤

步骤：

相机校准
- 收集一组使用相机拍摄的棋盘格图像。
- 利用这组图像计算相机的校准矩阵和畸变系数。
- 对原始图像应用畸变校正。
车道检测/追踪
- 使用颜色转换、梯度等方法，创建一个二值化（阈值化）图像。
- 对二值化图像应用透视变换，以获得“鸟瞰图”效果。
- 检测/追踪车道像素，并拟合以找到车道边界。
车道状态分析
- 确定车道的曲率。
- 计算车辆相对于车道中心的位置。
车道增强
- 将检测到的车道边界重新映射回原始图像上。
- 在图像上打印道路状态信息。

应用畸变校正

在此步骤中，使用了之前校准的结果，通过cv2.undistort函数实现（参见lane.py第580行）。校正畸变后的测试图像示例如下：（此处应有图片说明，但文字描述无法展示图像内容）
使用颜色和梯度过滤获取二值图像

我结合使用了颜色和梯度（阈值）来生成一个二值图像（参见lane.py中的find_edges函数，第187行）。首先，将图像转换到HLS色彩空间，并利用S通道进行过滤，这样做在不同光照条件下定位黄色和白色车道线更加稳定。接着，应用了沿着x方向的Sobel滤波器和梯度方向滤波器，以滤除大部分水平线。最后，为了处理发现多于两条候选车道的情况，我给S通道的过滤结果分配了两倍于梯度过滤的权重，这样黄色车道就比路缘的边缘更加明显。此步骤输出的一个示例如下：（此处应有图片说明，但文字描述无法展示图像内容）
使用透视变换实现鸟瞰视角查看图像

我的透视变换代码包含了一个名为warper()的函数（位于lane.py第214行）。首先，选择一张直线行驶时的图像，并选取4个源点，这些点沿两条车道线形成一个梯形。然后定义另外4个目标点，以便使用

代码

为了提供帮助，我将概述上述步骤中涉及的一些关键Python代码片段，基于OpenCV库进行实现。请注意，这些代码段是示意性的，您可能需要根据您的具体需求和环境调整它们。

1. 应用畸变校正

import cv2
import numpy as np

# 假设 mtx 和 dist 是之前相机标定得到的内参矩阵和畸变系数
mtx = np.array(...)  # 内参矩阵
dist = np.array(...)  # 畸变系数

# 读取图片
img = cv2.imread('test_image.jpg')

# 应用畸变校正
undistorted_img = cv2.undistort(img, mtx, dist, None, mtx)

2. 使用颜色和梯度过滤获取二值图像

def find_edges(img):
    # 转换到HLS色彩空间
    hls = cv2.cvtColor(img, cv2.COLOR_RGB2HLS)
    
    # 定义S通道的阈值
    lower_white = np.array([0, 190, 0], dtype=np.uint8)
    upper_white = np.array([255, 255, 255], dtype=np.uint8)
    lower_yellow = np.array([10, 0, 100], dtype=np.uint8)
    upper_yellow = np.array([30, 255, 255], dtype=np.uint8)
    
    # 阈值化S通道以突出显示车道线
    s_binary = cv2.inRange(hls, lower_white, upper_white) | cv2.inRange(hls, lower_yellow, upper_yellow)
    
    # 应用Sobel算子检测x方向的边缘
    sobelx = cv2.Sobel(img[:,:,0], cv2.CV_64F, 1, 0, ksize=5)
    abs_sobelx = np.absolute(sobelx)
    scaled_sobel = np.uint8(255 * abs_sobelx / np.max(abs_sobelx))
    
    # 定义梯度阈值
    sx_thresh = (20, 100)
    sxbinary = np.zeros_like(scaled_sobel)
    sxbinary[(scaled_sobel >= sx_thresh[0]) & (scaled_sobel <= sx_thresh[1])] = 1
    
    # 结合S通道与梯度信息
    c