【推荐】从零开始学习无人驾驶技术 --- 车道检测

摘要

 

转自：Fei Xia

前言

个人兴趣爱好，最近在学习一些无人驾驶相关的技术，便萌生了循序渐进的写一系列文章的想法，这是第一篇。文章主要会以Udacity为主线，综合自己在学习过程中搜集的各种材料，取其精华，补其不足，力求通俗易懂，理论明确，实战有效，即作为一个学习总结，potentially又可以帮助对无人驾驶有兴趣但是零基础的朋友们 —— 注意这里的零基础是指未接触过无人驾驶领域，本系列还是需要一些简单的数学和机器学习知识。

因为本文是从零开始的第一篇，这里的车道检测是基础版本，需要满足几个先决条件：（1）无人车保持在同车道的高速路中行驶（2）车道线清晰可见（3）无人车与同车道内前车保持足够远的距离。

TLDR (or the take-away)

一个基础版的车道检测步骤主要分为以下几点：

• Gray Scale Transformation
  

• Gaussian Smoothing
  

• Canny Edge Detection
  

• ROI (Region of Interest) Based Edge Filtering

• Hough Transformation
  

• Lane Extrapolation

代码：

https://github.com/feixia586/zhihu_material/tree/master/car_lane_detection

最后的效果如下视频所示，其中红线表示自动检测到的车道。

从图片开始谈起

无人车往往配备有数个camera，常见的情况是有一个camera固定在车的前方，用来perceive前方道路情况，生成视频。计算机对该视频进行分析，综合其他sensor的信息，对车辆行为进行指导。视频是由图片组成，如果能够成功检测图片上的车道，那我们就几乎解决了车道检测问题。下面是一张车辆行驶过程中的图片，让我们动手吧！

import matplotlib.image as mplimg
img = mplimg.imread('lane.jpg')

Gray Scale Transformation

这个变换比较简单，是将RGB图片转换成灰度图片，用来作为Canny Edge Detection的输入。

import cv2
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# Note that if you use cv2.imread() to read image, the image will
# be in format BGR.

原文链接：

https://zhuanlan.zhihu.com/p/25354571?group_id=820292423715545088