Advanced Lane Detection源码解读（一）

本文主要是介绍Advanced Lane Detection源码解读（一），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. 源码解读

1.1 文件目录结构

源码文件下载自GitHub：advanced_lane_detection-master

• advanced_lane_detection-master
  • camera_cal 存放用于相机标定棋盘格照片
    • *.jpg
  • output_images
    • *.png
  • test_images
    • *.jpg
  • calibrate_camera.p

    pickle文件，由calibrate_camera.py生成并存盘，包含键为mtx和dist的字典，存储了相机校正矩阵。

  • calibrate_camera.py
    def calibrate_camera():

    读取camera_cal/*.jpg照片，调用cv2.findChessboardCorners函数找到棋盘格的角点，再调用cv2.calibrateCamera的得到相机校正矩阵，并返回。

  • combined_thresh.py
    包含以下函数：
    • abs_sobel_thresh(img, orient='x', thresh_min=20, thresh_max=100)

      输入img为RGB图像，在该函数内部会被转为灰度图像。计算其在x或y方向的梯度。
      返回一个0-1的二值图像，选出了x或y梯度在最大、最小范围之间的像素点。

    • mag_thresh(img, sobel_kernel=3, mag_thresh=(30, 100))

      输入img为RGB图像，在该函数内部会被转为灰度图像。计算其梯度值。
      返回一个0-1的二值图像，选出了x或y梯度在最大、最小范围之间的像素点。

    • dir_threshold(img, sobel_kernel=3, thresh=(0, np.pi/2))

      输入img为RGB图像，在该函数内部会被转为灰度图像。计算其梯度方向角。
      返回一个0-1的二值图像，选出了梯度方向角在最大、最小范围之间的像素点。

    • hls_thresh(img, thresh=(100, 255))

      输入img为RGB图像，在该函数内部会被转为HLS图像。提取S通道，选出S通道值在最大、最小范围之间的像素点。

    • combined_thresh(img)

      输入img为RGB图像，分别调用以上的x方向梯度、梯度值、梯度方向角、HLS的S阈值及同时满足这几个阈值范围的五个二值图像。
      return combined, abs_bin, mag_bin, dir_bin, hls_bin

  • gen_example_images.py
  1. 读取test_images文件夹下的jpg文件，调用img = cv2.undistort(img, mtx, dist, None, mtx)函数进行畸变校正，使用matplot进行显示，并将显示结果存为undistort_*.png文件。
  2. 调用img, abs_bin, mag_bin, dir_bin, hls_bin = combined_thresh(img)函数，生成相对应的二值图。使用matplot进行显示，并将显示结果存为binary_*.png文件。
  3. 调用img, binary_unwarped, m, m_inv = perspective_transform(img)生成鸟瞰视图，使用matplot进行显示，并将显示结果存为warped_*.png文件。
  4. 调用ret = line_fit(img)得到曲线拟合后的参数，调用viz2(img, ret, save_file=save_file)进行可视化，并将可视化的结果存为polyfit_*.png文件。
  5. 读取文件，调用undist = cv2.undistort(orig, mtx, dist, None, mtx)进行畸变校正。
  6. 调用left_curve, right_curve = calc_curve(left_lane_inds, right_lane_inds, nonzerox, nonzeroy)，计算得到左右车道线曲线参数。
  7. 计算得到vehicle_offset *= xm_per_pix，车辆相对车道线的偏移值。
  8. 调用img = final_viz(undist, left_fit, right_fit, m_inv, left_curve, right_curve, vehicle_offset)将左右车道线和车道的偏移叠加到原图像，并进行显示。
  • Line.py
    • 定义类class Line():
      • 包含的属性：
        n: 移动平均的窗口大小
        detected:
        二次曲线的系数：$x=A\ast y^2+B\ast y+C$
        二次曲线系数的平均值：A_avg，B_avg，C_avg
      • 包含的方法：
        get_fit(self)：返回系数平均值
        def add_fit(self, fit_coeffs)：增加一组A，B，C，返回A_avg，B_avg，C_avg
  • line_fit.py
    • 定义函数def line_fit(binary_warped)
      • 输入二值图像。
      • 返回一字典，包含左右车道线的参数。

        	ret = {}ret['left_fit'] = left_fit # left_fit = np.polyfit(lefty, leftx, 2)ret['right_fit'] = right_fitret['nonzerox'] = nonzeroxret['nonzeroy'] = nonzeroyret['out_img'] = out_imgret['left_lane_inds'] = left_lane_indsret['right_lane_inds'] = right_lane_inds
        

      • 在gen_example_images.py中被调用。img, binary_unwarped, m, m_inv = perspective_transform(img)，ret = line_fit(img)
      • 在line_fit_video.py中被调用。ret = line_fit(binary_warped)
    • 定义函数def tune_fit(binary_warped, left_fit, right_fit)
    • 定义函数def viz1(binary_warped, ret, save_file=None)
    • 定义函数def viz2(binary_warped, ret, save_file=None)
    • 定义函数def calc_curve(left_lane_inds, right_lane_inds, nonzerox, nonzeroy)
      • 在gen_example_images.py中被调用，left_curve, right_curve = calc_curve(left_lane_inds, right_lane_inds, nonzerox, nonzeroy)。
    • 定义函数def calc_vehicle_offset(undist, left_fit, right_fit)
    • 定义函数def final_viz(undist, left_fit, right_fit, m_inv, left_curve, right_curve, vehicle_offset)
  • line_fit_video.py 主程序运行入口
  • perspective_transform.py
    • 定义函数def perspective_transform(img):
    • return warped, unwarped, m, m_inv 返回透视变换后的图像、再反透视变换后的图像、透视变换和反透视变换矩阵。

1.2 源码解析

1.2.1 主程序line_fit_video.py

• 运行方法。命令行输入python line_fit_video.py，程序会读取project_video.mp4，并且输出标注后的视频out.mp4。
• 源码如下
• 相关变量的读取、初始化

# Global variables (just to make the moviepy video annotation work)
with open('calibrate_camera.p', 'rb') as f:save_dict = pickle.load(f)
mtx = save_dict['mtx']
dist = save_dict['dist']
window_size = 5  # how many frames for line smoothing
left_line = Line(n=window_size)
right_line = Line(n=window_size)
detected = False  # did the fast line fit detect the lines?
left_curve, right_curve = 0., 0.  # radius of curvature for left and right lanes
left_lane_inds, right_lane_inds = None, None  # for calculating curvature

• 定义单帧图像的注释函数

# MoviePy video annotation will call this function
def annotate_image(img_in):"""Annotate the input image with lane line markingsReturns annotated image"""# 使用global函数声明全局变量（只是声明，而不是定义）global mtx, dist, left_line, right_line, detectedglobal left_curve, right_curve, left_lane_inds, right_lane_inds# Undistort, threshold, perspective transformundist = cv2.undistort(img_in, mtx, dist, None, mtx)img, abs_bin, mag_bin, dir_bin, hls_bin = combined_thresh(undist)binary_warped, binary_unwarped, m, m_inv = perspective_transform(img)# Perform polynomial fitif not detected: # 如果不是检测目的，即为第一帧图像。运行彻底拟合。# Slow line fitret = line_fit(binary_warped) # 将阈值分割和透视变换后的图像送入line_fit()函数，返回车道检测后的参数，这里是最重要的一个函数left_fit = ret['left_fit']right_fit = ret['right_fit']nonzerox = ret['nonzerox']nonzeroy = ret['nonzeroy']left_lane_inds = ret['left_lane_inds']right_lane_inds = ret['right_lane_inds']# Get moving average of line fit coefficients # 使用移动平均法得到曲线拟合的参数left_fit = left_line.add_fit(left_fit)right_fit = right_line.add_fit(right_fit)# Calculate curvatureleft_curve, right_curve = calc_curve(left_lane_inds, right_lane_inds, nonzerox, nonzeroy)detected = True  # slow line fit always detects the lineelse:  # implies detected == True# Fast line fitleft_fit = left_line.get_fit()right_fit = right_line.get_fit()ret = tune_fit(binary_warped, left_fit, right_fit) # 如果不是第一帧，则调用tune_fit()函数进行拟合left_fit = ret['left_fit']right_fit = ret['right_fit']nonzerox = ret['nonzerox']nonzeroy = ret['nonzeroy']left_lane_inds = ret['left_lane_inds']right_lane_inds = ret['right_lane_inds']# Only make updates if we detected lines in current frameif ret is not None:left_fit = ret['left_fit']right_fit = ret['right_fit']nonzerox = ret['nonzerox']nonzeroy = ret['nonzeroy']left_lane_inds = ret['left_lane_inds']right_lane_inds = ret['right_lane_inds']left_fit = left_line.add_fit(left_fit)right_fit = right_line.add_fit(right_fit)left_curve, right_curve = calc_curve(left_lane_inds, right_lane_inds, nonzerox, nonzeroy)else:detected = Falsevehicle_offset = calc_vehicle_offset(undist, left_fit, right_fit)# Perform final visualization on top of original undistorted imageresult = final_viz(undist, left_fit, right_fit, m_inv, left_curve, right_curve, vehicle_offset)return result

• 定义视频标注函数

def annotate_video(input_file, output_file):""" Given input_file video, save annotated video to output_file """video = VideoFileClip(input_file)annotated_video = video.fl_image(annotate_image)annotated_video.write_videofile(output_file, audio=False)

• 调用以上函数进行测试

if __name__ == '__main__':# Annotate the videoannotate_video('project_video.mp4', 'out.mp4')# Show example annotated image on screen for sanity checkimg_file = 'test_images/test2.jpg'img = mpimg.imread(img_file)result = annotate_image(img)result = annotate_image(img)result = annotate_image(img)plt.imshow(result)plt.show()

这篇关于Advanced Lane Detection源码解读（一）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---