视觉无人机高速公路违章检测的研究——阶段思考与计划2018.12.25-2019.1.1

本文主要是介绍视觉无人机高速公路违章检测的研究——阶段思考与计划2018.12.25-2019.1.1，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！

上周的思路： https://blog.csdn.net/u010712012/article/details/85082271

上周的flag：
1.车道线怎么单独给检测出来，能不能通过阈值处理/ROI选取，把其他非车道线的部分给滤除。因为高速公路车道线基本都是白线，所以用阈值可能管用，或者彩色空间也可以试试。看看专门检测车道线的论文，只剩下背景和车道线的，相当于车道线分割提取出来的论文，是这周到的重点。12.19-12.25

2.车辆检测，这个用YOLO可以把车辆分类出来还能有一个bbx，怎么在一张图片中单独检测出有车，这个恰好是目前深度学习的优势，或者有HOG_SVM检测车辆，这个就是需要得到车辆的特征，机器学习算法无非就是我们人为给是车辆的标上正，不是的标负的标签，然后用大量数据去训练，最后计算机才知道一张图片当中是不是车。这个也努力弄出来12.19-12.25

1.车道线检测成果

1.1颜色空间尝试
车辆违章压线和变道的前提就是车道线检测，利用阈值分割的手动阈值与OTSU算法得到黑白二值阈值分割图，这里取的200，黑色的车被滤除了，白色的车道线和白色的车辆都能被滤出来，但是能不能用其他的颜色空间来研究？最终对车道线检测有帮助？

HSV空间的解释：https://blog.csdn.net/u010712012/article/details/85240100

这里的饱和度Saturation，值越大，颜色越纯，V亮度越大，图像越白。

HLS和HSV不一样，所以可以看到图片的状态不一样。HSB 中的 S 控制纯色中混入白色的量，值越大，白色越少，颜色越纯；HSB 中的 B 控制纯色中混入黑色的量，值越大，黑色越少，明度越高；HSL 中的 S 和黑白没有关系，饱和度不控制颜色中混入黑白的多寡；HSL 中的 L 控制纯色中的混入的黑白两种颜色。

暂时还没有单独把HSV/HLS通道单独提取出来，后面可以看看三通道怎么提取，看能否提高效果。逻辑就是：分开来增强或者处理，再融合得到更好的结果。

以下是经过RGB三通道split之后的图，可以看到B通道的图对比度很高，车道那块区域感觉会很容易被区分出来。

再进行阈值分割后：这张图阈值是145

我们看到B通道和R通道的背景会没那么多干扰，于是就将这两个通道给合并融合，如下：

如果是将融合的双通道图片经过高斯模糊，再取相同阈值145

可以看到背景基本没有噪点了，这可能也是为什么图像预处理都需要有降采样，平滑的操作。

再对高斯平滑去躁的图像进行边缘检测，得到如下图。

再对边缘检测的结果进行形态学的闭操作(先膨胀后腐蚀)，把线与线之间的间隔或者断续的地方进行填充补全。

因为是借鉴了一些论文的思路，把边缘检测形态学填充的结果和双通道阈值分割的结果进行融合：

最后当然还是我们的Hough变换监测和直线了。https://blog.csdn.net/u010712012/article/details/84780943
这次进行了多车道线检测

再加在原图上：

非常好的实现了实线的车道线检测。这里很多参数需要调整才行，因为github挂了，后续把代码放在github上面供大家参考。

https://github.com/zengdiqing1994/Highway_violation_detection/blob/master/carlane_detection/carlane_channels.ipynb

https://github.com/zengdiqing1994/Highway_violation_detection/blob/master/carlane_detection/carlane_detect.ipynb
欢迎star！

2.车辆检测结果

用的YOLO_v1，这是详解：https://blog.csdn.net/u010712012/article/details/85116365

我用的是网上的检测代码，别人已经通过训练得到了初始模型和权重，我拿来自己测试，可怜的是置信度低的可怕，而且小物体基本识别不出来。

原因一是模型yolov1本身的缺陷，二是数据集我无法知道质量和数量。

所以后面需要自己拿无人机去航拍并且标注，得到自己的数据集去训练和检测。

思考与计划2018.12.25-2019.1.1：

这个课题最终应当是作为项目来实现，并能够写出论文。算法项目就必然有方法方案的对比优化，并用抽象的数学模型去解决现实的问题。

因为需要检测出车辆是否压线，那么有两种思路：

1.如果是在有偏航角的二值图像中，怎么判断哪些是实线，哪些是虚线？有篇论文中设置峰值阈值peak_threshold来表示图像空间的车道线。设置$T_{max}$表示检测实车道线，当检测出的直线长度大于阈值，就认为该直线是实车道线，否则小于阈值就不是。用变量$T_{min}$来表示检测虚车道线的阈值，当检测到的直线大于该值，就是，否则就不是。这里其实我不太明白，那介于中间的是什么？

或者我们只显示感兴趣区域的实线部分，虚线部分我们不做处理，如果是深色车辆压在线上，投影部分实线必然会有断续，实线断续前一部分判断是否大于实线阈值，大于的话再判断与他斜率一致的断续上面的那一根实线，如果也大于实线阈值，就说明仿佛是实线了！看车辆检测模块的情况是否在那里有车。如果是亮色白色车辆压线，二值图就有在线那里有一块白色区域，那么就在检测车辆的那一部分如果检测到车(YOLO算法框定车)，那么两张图进行计算机图像匹配，就能判定是车辆压线。

2.用Hough变换检测出的车道线（彩色图原图），与YOLO检测出的矩形框进行线与矩形的相交数学判定，进而判断是否压线。

这两种判断压线算法可以算作论文一小部分对比。

以上情况在无人机有俯仰视角时和垂直拍摄时是有区别的，垂直情况会更好判断，所有这里论文也可以进行算法情况对比。

计划
2018.12.25-2019.1.1：
1.把yolov2，yolov3原理搞懂，并用coco数据集/voc数据集实现(ubuntu)。28,29,30
2.拍摄自己的航拍车辆数据集，调研标注方法。29
3.车辆压线算法模型调研。图像处理方法，数学方法，与上述步骤衔接。30,31,1

这篇关于视觉无人机高速公路违章检测的研究——阶段思考与计划2018.12.25-2019.1.1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！

---