借助 OpenCV 找到车载记录仪中的车道线

大家好！在此项目中，我将尝试从车载记录仪的视频中寻找车道线。当我们检测到车道线，我们将在原视频帧上将他们标记出来并回放。所有的一切工作将在线上使用 OpenCV 提供的函数完成，并且不会存在任何延迟。

在此我们将编辑一系列的函数来检测车道线。我们在编写此函数的时候将用到一个示例图像，一旦我们能在一些示例图像的基础上成功地检测到车道线，我们将完整的程序添加到一个函数里去，该函数能接收实时图像，并返回带有车道线标记的相同图像。让我们立刻开始学习吧。

首先，输入示例图像帧。此行将在最终的代码中进行注释，其中 image 将通过视频捕获来获得帧。

示例图

为了减轻我们处理器的负担（这在嵌入式系统中是非常稀缺的资源），我们将在 Greyscale 版本的图像中进行所有图像处理，而不是原始的彩色版本，这将有助于用更少的资源更快地执行程序。以下函数将彩色图像转换成灰度版本。

灰度图像

接下来我们将通过模糊来消除图像中的噪声，通过将图像与低通滤波器内核卷积来实现图像模糊。它有助于消除噪音，实际上从图像中去除了高频内容（例如：噪声，边缘），因此在此操作中边缘会有些模糊。OpenCV 提供 4 种不同类型的模糊技术，高斯模糊是最受欢迎的一种。

图像模糊（图像平滑化）

我们能选择不同的内核大小，其中结果过滤器将简单地取内核（内核大小行 x 列的矩阵）区域的平均像素值，并用平均值代替中心元素。而 5 是一个标准值，故我选择了 5。

边缘检测

canny 边缘检测是边缘检测的常用算法。实际上，canny 边缘函数还实现了一个内核大小为 5x5 的高斯过滤器，这和我们之前的步骤一样，但是在我遇到的许多文献中，都推荐在 canny 边缘检测之前先对其进行图像模糊。边缘检测背后的基础理论是，无论何处有边缘，边缘两侧的像素在强度上有着很大的差异（也称为梯度）。首先，在水平和垂直方向上扫描输入图像以找到每个像素的梯度。在获得梯度幅度和方向之后，完成图像的全扫描以去除可能不构成边缘的任何不想要的像素。为此，在每个像素处检查像素是否是其邻域中的局部最大值。

low_threshold 和 high_threshold 确定必须检测边缘的强度。如果梯度高于 high_threshold ，则将此梯度视为边缘的一部分，但是一旦检测到边缘，即使梯度高于 low_threshold ，下一个像素将被视为边缘。

参考我们的示例图像，很明显在边缘条件下，尤其是在车道线是白色的，邻近的车道像素是黑色的时候，相邻的像素存在着巨大的差异。

感兴趣区域

有一点需要考虑的是，我们并不想查找图像中的所有边缘。我们只对图像中中心区域的车道线查找感兴趣。直观上这是可行的，车道线是不可能在图像的左上/右上部分。看我们的示例图像，我们可以有把握地说，车道线应位于图像底部边缘较宽的梯形区域内。随着边缘逐渐变窄，我们朝向图像的顶部。