• 畸变校正
• 透视变换
• Sobel 滤波
• 直方图峰值检测
• 滑动窗口搜索
• 曲线拟合
• 覆盖检测车道
• 应用于视频

畸变矫正

相机镜头扭曲入射光以将其聚焦在相机传感器上。 尽管这对于我们捕捉环境图像非常有用，但它们最终往往会稍微不准确地扭曲光线。 这可能导致计算机视觉应用中的测 量不准确。 然而，我们可以很容易地纠正这种失真。

我们可以 使用 棋盘格来标定相机然后做畸变校正：

测试视频中使用的相机用于拍摄棋盘格的 20 张照片，用于生成畸变模型。我们首先将图像转换为灰度，然后应用 cv2.findChessboardCorners () 函数。我们已经知道这个棋盘是一个只有直线的二维对象，所以我们可以对检测到的角应用一些变换来正确对齐它们。用 cv2.CalibrateCamera() 来获取畸变系数和相机矩阵。相机已校准！

然后，您可以使用它 cv2.undistort() 来矫正其余的输入数据。您可以在下面看到棋盘的原始图像和校正后的图像之间的差异：

实现代码：

def undistort_img():    # Prepare object points 0,0,0 ... 8,5,0    obj_pts = np.zeros((6*9,3), np.float32)    obj_pts[:,:2] = np.mgrid[0:9, 0:6].T.reshape(-1,2)    # Stores all object points & img points from all images    objpoints = []    imgpoints = []    # Get directory for all calibration images    images = glob.glob('camera_cal/*.jpg')    for indx, fname in enumerate(images):        img = cv2.imread(fname)        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)        ret, corners = cv2.findChessboardCorners(gray, (9,6), None)        if ret == True:            objpoints.append(obj_pts)            imgpoints.append(corners)    # Test undistortion on img    img_size = (img.shape[1], img.shape[0])    # Calibrate camera    ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, img_size, None,None)    dst = cv2.undistort(img, mtx, dist, None, mtx)    # Save camera calibration for later use    dist_pickle = {}    dist_pickle['mtx'] = mtx    dist_pickle['dist'] = dist    pickle.dump( dist_pickle, open('camera_cal/cal_pickle.p', 'wb') )def undistort(img, cal_dir='camera_cal/cal_pickle.p'):    #cv2.imwrite('camera_cal/test_cal.jpg', dst)    with open(cal_dir, mode='rb') as f:        file = pickle.load(f)    mtx = file['mtx']    dist = file['dist']    dst = cv2.undistort(img, mtx, dist, None, mtx)    return dstundistort_img()img = cv2.imread('camera_cal/calibration1.jpg')dst = undistort(img) # Undistorted image

这是应用于道路图像的失真校正。您可能无法注意到细微的差异，但它会对图像处理产生巨大影响。

透视变换

在相机空间中检测弯曲车道并不是很容易。 如果我们想鸟瞰车道怎么办？ 这可以通过对图像应用透视变换来完成。 这是它的样子：

注意到什么了吗？通过假设车道位于平坦的 2D 表面上，我们可以拟合一个多项式，该多项式可以准确地表示车道空间中的车道！这不是很酷吗？

您可以使用 cv2.getPerspectiveTransform() 函数将这些变换应用于任何图像，以获取变换矩阵，并将 cv2.warpPerspective() 其应用于图像。下面是代码：

def perspective_warp(img,                     dst_size=(1280,720),                     src=np.float32([(0.43,0.65),(0.58,0.65),(0.1,1),(1,1)]),                     dst=np.float32([(0,0), (1, 0), (0,1), (1,1)])):    img_size = np.float32([(img.shape[1],img.shape[0])])    src = src* img_size    # For destination points, I'm arbitrarily choosing some points to be    # a nice fit for displaying our warped result    # again, not exact, but close enough for our purposes    dst = dst * np.float32(dst_size)    # Given src and dst points, calculate the perspective transform matrix    M = cv2.getPerspectiveTransform(src, dst)    # Warp the image using OpenCV warpPerspective()    warped = cv2.warpPerspective(img, M, dst_size)    return warped

Sobel滤波

在之前的版本中，我使用颜色过滤掉了车道线。 然而，这并不总是最好的选择。 如果道路 使用浅色混凝土代替沥青，道路很容易通过彩色滤光片，管道会将其感知为白色车道线，此方法不够稳健 。

相反，我们可以使用类似于边缘检测器的方法，这次过滤掉道路。车道线通常与道路具有高对比度，因此我们可以利用这一点。之前版本 1 中使用的Canny边缘检测器利用Sobel 算子来获取图像函数的梯度。 OpenCV 文档对它 的工作原理有很好的解释。我们将使用它来检测高对比度区域以过滤车道标记并忽略道路。

我们仍将再次使用 HLS 色彩空间，这一次是为了检测饱和度和亮度的变化。sobel 算子应用于这两个通道，我们提取相对于 x 轴的梯度，并将通过梯度阈值的像素添加到表示图像中像素的二进制矩阵中。这是它在相机空间和车道空间中的样子：

直方图峰值检测

我们将应用一种称为 滑动 窗口 算法的特殊算法 来检测我们的车道线。 但是，在我们应用它之前，我们需要为算法确定一个好的起点。 如果它从存在车道像素的位置开始，它会很好地工作，但是我们如何首先检测这些车道像素的位置呢？ 其实很简单！

我们将获得图像相对于 X 轴的直方图。下面直方图的每个部分都显示了图像每列中有多少个白色像素。然后我们取图像每一侧的最高峰，每条车道线一个。这是直方图的样子，在二值图像旁边：