大約十年前，當谷歌還在試驗一輛原型車的時候，我想到了自己的第一輛自動駕駛汽車，當時我立刻被這個想法迷住了。不可否認的是，我必須等待一段時間，直到這些概念向社區(qū)開放，現(xiàn)在看來等待確實是值得的

我最近試驗了一些與計算機視覺有關(guān)的自動駕駛汽車概念，里面包括車道檢測，它實際上是設(shè)計任何一款自主汽車的核心概念。以下是我們將在本視頻中構(gòu)建的車道檢測系統(tǒng)：https：／／youtu．be／sYhZbhT－Smw很酷，對吧？在這個教程中，我會使用OpenCV庫進行車道檢測和自動駕駛汽車。當然，在本教程中，我們還將引入Python代碼。目錄車道檢測概念解釋問題陳述什么是幀掩碼？車道檢測的圖像預處理用OpenCV在Python中實現(xiàn)車道檢測。車道檢測概念解釋：那么什么是車道檢測？以下是百度百科對車道的定義：車道，又稱行車線、車行道，是用在供車輛行經(jīng)的道路，在一般公路和高速公路都有設(shè)置，高速公路對車道使用帶有法律性質(zhì)的規(guī)則，例如行車道和超車道。

對其進行定義是很重要的，因為它使我們能夠繼續(xù)進行車道檢測概念。我們在建立一個系統(tǒng)時不能有任何含糊不清的地方。正如我前面提到的，車道檢測是自動駕駛汽車的關(guān)鍵組成部分，這是駕駛場景理解的重要研究課題之一。一旦獲得車道位置，車輛就知道去哪里，并避免撞上其他車道或離開道路。這樣可以防止駕駛員／車輛系統(tǒng)偏離車道。以下是一些隨機道路圖像（第一行）及其檢測到的車道（第二行）：

問題陳述我們希望執(zhí)行的任務(wù)是實時檢測視頻中的車道。我們可以通過多種方式進行車道檢測，我們可以使用基于學習的方法，例如在帶注釋的視頻數(shù)據(jù)集上訓練深度學習模型，或者使用預訓練好的模型。然而，也有更簡單的方法來執(zhí)行車道檢測。在本文中，我將向你展示如何在不使用任何學習模型的情況下完成此任務(wù)。但是我們將使用Python中流行的OpenCV庫。下面是我們將要處理視頻的一個幀：

正如我們在這張圖片中看到的，我們有四條車道被白色的車道標線隔開。所以，要檢測車道，我們就必須檢測車道兩邊的白色標記。這就引出了一個關(guān)鍵問題——我們?nèi)绾螜z測車道標線？除了車道標線之外，場景中還有許多其他對象，如道路上有車輛、路側(cè)護欄、路燈等。在視頻中，每一幀都會有場景變化，這很好地反映了真實的駕駛情況。因此，在解決車道檢測問題之前，我們必須找到一種方法來忽略駕駛場景中不需要的對象。我們現(xiàn)在能做的一件事就是縮小感興趣的領(lǐng)域。與其使用整個幀，不如只使用幀的一部分。在下面的圖像中，除了車道的標記之外，其他所有內(nèi)容都隱藏了。當車輛移動時，車道標線將或多或少地落在該區(qū)域內(nèi)：

在下一節(jié)中，我將向你展示如何編輯視頻幀以選擇特定區(qū)域。你還將了解一些必要的圖像預處理操作。什么是幀掩碼（Frame Mask）？在這里，幀掩碼只是一個NumPy數(shù)組。當我們想對圖像應用掩碼時，只需將圖像中所需區(qū)域的像素值更改為0、255或任何其他數(shù)字。下面給出了一個圖像掩蔽的例子，圖像中某個區(qū)域的像素值已設(shè)置為0：

這是一種非常簡單但有效的從圖像中去除不需要的區(qū)域和對象的方法。車道檢測的圖像預處理我們將首先對輸入視頻中的所有幀應用掩碼，然后我們將應用圖像閾值化和霍夫線變換來檢測車道標線。圖像閾值化在這種方法中，灰度圖像的像素值根據(jù)閾值被指定為表示黑白顏色的兩個值之一，因此如果一個像素的值大于一個閾值，它被賦予一個值，否則它被賦予另一個值。