<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    2. 

    <del id="afajh"><form id="afajh"></form></del>
    

    5. 

        1. <th id="afajh"><progress id="afajh"></progress></th>

          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>
          使用霍夫變換檢測(cè)車道線
          共
                9728字，需瀏覽
                    20分鐘
                
           ·
          2021-09-14 15:22
          
                    

                    
                    
                    
                    
          點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
          重磅干貨，第一時(shí)間送達(dá)

          車道線檢測(cè)是自動(dòng)駕駛汽車的重要組成部分之一，有很多方法可以做到這一點(diǎn)。本文，我們將使用最簡單的霍夫變換方法。

          本文分為三個(gè)部分:
          • 第一部分:高斯模糊+ Canny邊緣檢測(cè)
          • 第二部分:霍夫變換
          • 第三部分:優(yōu)化+顯示線條

          第1部分和第3部分的重點(diǎn)是編碼，第2部分更面向理論。接下來，讓我們開始第一部分。

          第一部分：高斯模糊+Canny邊緣檢測(cè)

          導(dǎo)入必需的庫：
          import numpy as np import cv2 import matplotlib.pyplot as plt
          • 第1行:Numpy用于執(zhí)行數(shù)學(xué)計(jì)算，我們要用它來創(chuàng)建和操作數(shù)組。
          • 第3行:使用Matplotlib可視化圖像。

          接下來，讓我們從集合中加載一張圖片來測(cè)試算法
          image_path = r"D:\users\new owner\Desktop\TKS\Article Lane Detection\udacity\solidWhiteCurve.jpg" image1 = cv2.imread(image_path) plt.imshow(image1)

          在這里，我們?cè)诘?/span>4行將圖像加載到筆記本中，然后我們將在第5行和第6行讀取圖像并將其可視化。現(xiàn)在是處理圖像的時(shí)候了，主要分為以下三步:
          def grey(image):     return cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)def gauss(image):     return cv2.GaussianBlur(image, (5, 5), 0)def canny(image):     edges = cv2.Canny(image,50,150) return edges 
          在最后一個(gè)代碼塊中，我們定義了3個(gè)函數(shù):
          Greyscale the image:這有助于增加顏色的對(duì)比度，使它更容易識(shí)別像素強(qiáng)度的變化。

          Gaussian Filter:高斯濾波器的目的是減少圖像中的噪聲。我們這樣做是因?yàn)?/span>Canny中的梯度對(duì)噪聲非常敏感，所以我們想盡可能地消除噪聲。cv2.高斯模糊函數(shù)有三個(gè)參數(shù):
          • img參數(shù)定義了我們要進(jìn)行歸一化(減少噪聲)的圖像。這個(gè)函數(shù)使用一個(gè)稱為高斯核的核函數(shù)，用于對(duì)圖像進(jìn)行歸一化。
          • sigma參數(shù)定義沿x軸的標(biāo)準(zhǔn)偏差。標(biāo)準(zhǔn)偏差衡量圖像中像素的分布，我們希望像素?cái)U(kuò)散是一致的，因此標(biāo)準(zhǔn)偏差為0。

          Canny:這是我們檢測(cè)圖像邊緣的地方，它所做的是計(jì)算像素強(qiáng)度的變化(亮度的變化)在一個(gè)圖像的特定部分。幸運(yùn)的是，OpenCV使它變得非常簡單。
          cv2.Canny函數(shù)有3個(gè)參數(shù)，(img, threshold-1, threshold-2)。
          • img參數(shù)定義了我們要檢測(cè)邊緣的圖像。
          • threshold-1參數(shù)過濾所有低于這個(gè)數(shù)字的梯度(它們不被認(rèn)為是邊緣)。
          • threshold-2參數(shù)決定了邊緣的有效值。
          • 如果兩個(gè)閾值之間的任何梯度連接到另一個(gè)高于閾值2的梯度，則將考慮該梯度。
           
          現(xiàn)在我們已經(jīng)定義了圖像中的所有邊緣，我們需要分割與車道線相對(duì)應(yīng)的邊緣，操作步驟如下：
          def region(image):     height, width = image.shape     triangle = np.array([                        [(100, height), (475, 325), (width, height)]                        ])     mask = np.zeros_like(image)     mask = cv2.fillPoly(mask, triangle, 255)     mask = cv2.bitwise_and(image, mask) return mask
          這個(gè)函數(shù)將分割圖像中車道線所在的某個(gè)硬編碼區(qū)域，它以Canny圖像為參數(shù)，輸出孤立區(qū)域。

          在第1行中，我們將使用numpy.shape函數(shù)提取圖像的維數(shù)。
          在第2-4行中，我們要定義一個(gè)三角形的尺寸，也就是我們要隔離的區(qū)域。
          在第5和第6中，我們要?jiǎng)?chuàng)建一個(gè)黑色的平面，然后我們要定義一個(gè)白色的三角形，它的尺寸和第2行中定義的一樣。
          在第7行中，我們將執(zhí)行位運(yùn)算和運(yùn)算，使我們能夠隔離與車道線對(duì)應(yīng)的邊緣。

          更深入的解釋位運(yùn)算
          在我們的圖像中，有兩種像素強(qiáng)度：黑色和白色。黑色像素的值為0，白色像素的值為255。在8位二進(jìn)制中，0轉(zhuǎn)換為00000000，255轉(zhuǎn)換為11111111。對(duì)于位運(yùn)算和運(yùn)算，我們將使用像素的二進(jìn)制值。現(xiàn)在，我們將在img1和img2相同的位置上乘以兩個(gè)像素(我們將img1定義為帶有邊緣檢測(cè)的平面，img2定義為我們創(chuàng)建的掩碼)。
          左:Img1，右圖:Img2。(實(shí)際上，它是白色的，但我們把它改成了黃色)
          例如，img1上(0,0)處的像素將與img2上(0,0)處的像素相乘(同樣地，圖像上其他位置的每一個(gè)像素也是如此)。

          如果img1中的(0,0)像素是白色的(意味著它是一條邊)，img2中的(0,0)像素是黑色的(意味著這個(gè)點(diǎn)不是我們的車道線所在的孤立區(qū)域的一部分)，操作看起來像11111111* 0000000，等于0000000(一個(gè)黑色像素)。

          我們將對(duì)圖像上的每個(gè)像素重復(fù)這個(gè)操作，導(dǎo)致只輸出掩碼中的邊緣。
          其他一切都被忽略了，僅輸出隔離區(qū)域中的邊。
          現(xiàn)在我們已經(jīng)定義了我們想要的邊，接著讓我們定義一個(gè)函數(shù)把這些邊變成線：
          lines = cv2.HoughLinesP(isolated, rho=2, theta=np.pi/180, threshold=100, np.array([]), minLineLength=40, maxLineGap=5)
          這一行代碼是整個(gè)算法的核心，它被稱為霍夫變換(Hough Transform)，將孤立區(qū)域的白色像素簇轉(zhuǎn)換為實(shí)際的線條。

          • 參數(shù)1:孤立梯度
          • 參數(shù)5:占位符數(shù)組
          • 參數(shù)6:最小行長
          • 參數(shù)7:最大行間距

          下面的部分將深入到算法背后的具體細(xì)節(jié)，所以在你們讀完第二部分后，你們可以回到這部分，希望這部分會(huì)更有意義。

          第二部分：霍夫變換

          簡單說明一下，這部分僅僅是理論，如果你們想跳過這一部分，可以繼續(xù)閱讀第3部分，但鼓勵(lì)小伙伴們通讀一遍。

          來談?wù)劵舴蜃儞Q。在笛卡爾平面(x和y軸)中，直線由公式y=mx+b定義，其中x和y對(duì)應(yīng)于直線上的一個(gè)特定點(diǎn)，m和b分別對(duì)應(yīng)于斜率和y軸截距。
          笛卡爾坐標(biāo)空間中的直線
          平面被繪制成x和y值的函數(shù)，這意味著我們顯示的是這條直線有多少(x, y)對(duì)組成（有無窮多的x, y對(duì)組成任何一條線，這就是為什么線延伸到無窮遠(yuǎn)的原因）。

          但是，可以用它的m和b值繪制直線，這是在一個(gè)叫做霍夫空間的平面上完成的。為了理解Hough變換算法，我們需要了解Hough空間是如何工作的。

          霍夫空間的解釋
          在我們的用例中，我們可以將霍夫空間總結(jié)為兩行：
          • 笛卡爾平面上的點(diǎn)在霍夫空間中變成直線
          • 笛卡爾平面上的直線在霍夫空間上變成點(diǎn)

          想想線的概念，一條線基本上是由一個(gè)接一個(gè)有序排列的無窮長的點(diǎn)組成的。因?yàn)樵诘芽柶矫嫔希覀儺嫷木€是x和y的函數(shù)，線被顯示為無限長因?yàn)橛袩o限多的(x, y)對(duì)組成了這條線。

          現(xiàn)在在霍夫空間中，我們畫出直線作為m和b值的函數(shù)。因?yàn)槊織l笛卡爾直線上只有一個(gè)m和b值，所以這條直線可以表示為一個(gè)點(diǎn)。

          例如，方程y=2x+1表示笛卡爾平面上的一條直線。它的m和b值分別是' 2 '和' 1 '，這是這個(gè)方程唯一可能的m和b值。另一方面，這個(gè)方程可以有很多x和y的值，使得這個(gè)方程成立(左邊=右邊)。


          如果我們要用m和b的值來畫這個(gè)方程，我們只會(huì)用點(diǎn)(2,1)；如果我們要用x和y的值來畫這個(gè)方程，我們將會(huì)有無窮多的選擇因?yàn)橛袩o窮多的(x, y)對(duì)。
          把θ看成b, r看成m。稍后我們會(huì)在文章中解釋?duì)群?/span>r的相關(guān)性。

          那么為什么霍夫空間中的線在笛卡爾平面上被表示為點(diǎn)(如果你們從之前的解釋中很好地理解了這個(gè)理論，我們希望小伙伴們?cè)跊]有閱讀解釋的情況下就能解決這個(gè)問題)。

          現(xiàn)在我們考慮笛卡爾平面上的一點(diǎn)。笛卡爾平面上的一個(gè)點(diǎn)只有一個(gè)可能的(x, y)對(duì)可以表示它，因此它是一個(gè)點(diǎn)，不是無限長。關(guān)于一個(gè)點(diǎn)，還有一個(gè)事實(shí)就是有無限多的可能的線可以通過這個(gè)點(diǎn)，換句話說，這個(gè)點(diǎn)可以滿足無窮多個(gè)方程(y=mx + b)(LS=RS)。


          目前，在笛卡爾平面中，我們根據(jù)x和y值繪制這個(gè)點(diǎn)。但是在霍夫空間中，我們根據(jù)它的m和b值來畫這個(gè)點(diǎn)，因?yàn)橛袩o限條線穿過這個(gè)點(diǎn)，所以在霍夫空間中會(huì)得到一條無限長的線。

          以點(diǎn)(3,4)為例，可以通過該點(diǎn)的直線有:y= -4x+16, y= -8/3x + 12和y= -4/3x + 8(直線有無窮多，但為了簡單起見，我們用3條直線)。

          如果你們?cè)诨舴蚩臻g中繪制每一條直線([- 4,16]，[-8/ 3,12]，[-4/ 3,8])，在笛卡爾空間中代表每條直線的點(diǎn)將在霍夫空間中形成一條直線(這條直線對(duì)應(yīng)于點(diǎn)(3,4))。
          每個(gè)點(diǎn)代表前面顯示的線(匹配顏色)
          現(xiàn)在如果我們?cè)趥€(gè)笛卡爾平面上放置另一個(gè)點(diǎn)呢?這在霍夫空間會(huì)有什么結(jié)果呢?通過霍夫空間，我們可以找到笛卡爾平面上最適合這兩點(diǎn)的直線。

          我們可以通過在霍夫空間中繪制與笛卡爾空間中兩點(diǎn)相對(duì)應(yīng)的直線，并找到這兩條直線在霍夫空間中相交的點(diǎn)(a.k.a它們的POI，交叉點(diǎn))。

          總結(jié)上述內(nèi)容：
          • 笛卡爾平面上的直線在霍夫空間中表示為點(diǎn)
          • 笛卡兒平面上的點(diǎn)在霍夫空間中表示為直線
          • 通過求霍夫空間中與這兩個(gè)點(diǎn)對(duì)應(yīng)的兩條直線的POI的m和b坐標(biāo)，可以找到笛卡爾空間中兩點(diǎn)的最佳擬合直線，然后根據(jù)這些m和b的值組成一條直線。??

          回到解釋:
          雖然這些概念比較好，但它們?yōu)槭裁粗匾?/span>?還記得我們之前提到過的Canny邊緣檢測(cè)嗎?它使用梯度來測(cè)量圖像中的像素強(qiáng)度并輸出邊緣。

          在其核心，梯度只是圖像上的點(diǎn)。所以我們能做的就是找到最適合每一組點(diǎn)的直線(圖像左邊的梯度和圖像右邊的梯度)，這些最合適的線是我們的車道線。為了更好地理解它是如何工作的，讓我們?cè)偕钊肓私庖幌?/span>!

          我們只是解釋了如何通過查看m和b值來找到最合適的線對(duì)應(yīng)于霍夫空間中的點(diǎn)的兩條線的POI。然而，當(dāng)我們的數(shù)據(jù)集增長時(shí)，并不總是有一條線完全適合我們數(shù)據(jù)。

          這就是我們不得不使用容器的原因。當(dāng)合并容器時(shí)，我們將霍夫平面劃分為等距部分。每個(gè)部分都稱為容器，通過關(guān)注容器中POI的數(shù)量，使我們能夠確定一條與我們的數(shù)據(jù)具有良好相關(guān)性的線。一旦找到有最多交集的容器，我們就可以使用m和b值，它們與該容器相對(duì)應(yīng)，并在笛卡爾空間中形成一條直線，這條線就是最適合我們的數(shù)據(jù)的線。


          但是在垂直線上，斜率是無窮大的，我們不能在霍夫空間中表示無窮，這將導(dǎo)致程序崩潰。所以我們不用y=mx+b來表示直線方程，我們用P()和θ()來定義直線，這也被稱為極坐標(biāo)系統(tǒng)。

          在極坐標(biāo)下，直線用方程P=xsinθ + ysinθ表示。在我們深入研究之前，讓我們定義一下這些變量的含義:

          • P表示從原點(diǎn)垂直于直線的距離。
          • θ表示從正x軸到直線的俯角。
          • xcosθ表示x方向上的距離。
          • ysinθ表示y方向上的距離。
          這是對(duì)極坐標(biāo)含義的直觀解釋
          用極坐標(biāo)系統(tǒng)，即使有一條垂直線，也不會(huì)有任何誤差。例如，取點(diǎn)(6,4)代入方程  P=xcosθ+ ysinθ。現(xiàn)在，我們?nèi)〗?jīng)過這個(gè)點(diǎn)x=6的垂直線，把它代入極坐標(biāo)方程，P = 6cos(90) + 4sin(90)

          • θ是一條垂直線的90度，因?yàn)樗鼜恼?/span>x軸到直線本身的俯角是90度。θ的另一種表示方法是π/2(弧度)。如果你們想了解更多關(guān)于弧度的知識(shí)，以及我們?yōu)槭裁匆褂盟鼈儯@里有一個(gè)很好的視頻。然而，沒有必要知道弧度是什么。
          • X和Y取點(diǎn)(6,4)的值因?yàn)檫@是我們?cè)谶@個(gè)例子中使用的點(diǎn)。

          現(xiàn)在我們把這個(gè)方程解出來:
          P = 6cos(90) + 4sin(90)
          P = 6(1) + 4(0)
          P = 6


          如我們所見，我們不會(huì)以錯(cuò)誤結(jié)束。事實(shí)上，我們甚至不需要做這個(gè)計(jì)算，因?yàn)槲覀冊(cè)陂_始之前就已經(jīng)知道P是多少了。注意，這和從原點(diǎn)到x軸的距離是一樣的。
          我們想解釋的東西的圖像。
          那么現(xiàn)在這已經(jīng)解決了問題，我們準(zhǔn)備好回去編碼了嗎?不是現(xiàn)在。還記得之前我們?cè)诘芽柶矫嫔袭孅c(diǎn)的時(shí)候嗎?我們最終會(huì)得到霍夫空間中的直線?當(dāng)我們使用極坐標(biāo)時(shí)，我們會(huì)得到一條曲線而不是一條直線。然而，概念是一樣的，我們將找到具有大多數(shù)交叉點(diǎn)并使用那些m和b值來確定最佳擬合線。

          第三部分：優(yōu)化+顯示

          這一節(jié)是為了優(yōu)化算法，如果我們不平均這些線，它們看起來很不穩(wěn)定，因?yàn)?/span>cv2.HoughLinesP輸出一串小線段，而不是一條大線。
          為了平均這些線，我們將定義一個(gè)“average”函數(shù)。
          def average(image, lines):     left = []     right = [] for line in lines:    slope = parameters[0]         y_int = parameters[1]         if slope < 0:             left.append((slope, y_int))         else:             right.append((slope, y_int))
          這個(gè)函數(shù)對(duì)cv2.HoughLinesP函數(shù)中生成的行進(jìn)行平均，它會(huì)找到左右兩個(gè)線段的平均斜率和y軸截距，并輸出兩條實(shí)線(一條在左邊，另一條在右邊)。在cv2.HoughLinesP函數(shù)的輸出中，每個(gè)線段有兩個(gè)坐標(biāo):一個(gè)表示直線的開始，另一個(gè)表示直線的結(jié)束。利用這些坐標(biāo)，我們要計(jì)算每條線段的斜率和y軸截距。


          然后，我們將收集所有線段的斜率，并將每個(gè)線段分為與左線或右線對(duì)應(yīng)的列表(負(fù)斜率=左線，正斜率=右線)。

          • 第4行:通過直線數(shù)組進(jìn)行循環(huán)。
          • 第5行:從每個(gè)線段中提取兩個(gè)點(diǎn)的(x, y)值。
          • 第6-9行:確定每個(gè)線段的斜率和y軸截距。
          • 第10-13行:將負(fù)斜率添加到左行列表中，將正斜率添加到右行列表中。

          注意:通常情況下，正斜率=左直線，負(fù)斜率=右直線，但在我們的例子中，圖像的y軸是反的，這就是為什么斜率是反的(OpenCV中的所有圖像都是反的y軸)。

          接下來，我們要從兩個(gè)表中求斜率和y軸截距的平均值。
          right_avg = np.average(right, axis=0)     left_avg = np.average(left, axis=0)     left_line = make_points(image, left_avg)     right_line = make_points(image, right_avg) return np.array([left_line, right_line])
          • 第1-2行:對(duì)兩個(gè)列表(左邊和右邊)的所有線段取平均值。
          • 第3-4行:計(jì)算每一行的起始點(diǎn)和端點(diǎn)。(我們將在下一節(jié)定義make_points函數(shù))
          • 第5行:輸出每一行的2個(gè)坐標(biāo)。

          現(xiàn)在我們有了兩個(gè)列表的平均斜率和y軸截距，讓我們定義兩個(gè)列表的起點(diǎn)和終點(diǎn)。
          def make_points(image, average):   slope, y_int = average   y1 = image.shape[0]  y2 = int(y1 * (3/5))  x1 = int((y1 — y_int) // slope)  x2 = int((y2 — y_int) // slope)  return np.array([x1, y1, x2, y2])
          這個(gè)函數(shù)有兩個(gè)參數(shù)，一個(gè)是帶有車道線的圖像，另一個(gè)是有平均斜率和y_int的列表，輸出每條線的起點(diǎn)和終點(diǎn)。

          • 第1行:定義函數(shù)
          • 第2行:得到平均斜率和y截距
          • 第3 - 4行:定義的高度線(左右兩邊都一樣)
          • 第5 - 6行:通過重新排列一條線的方程計(jì)算x坐標(biāo),從y=mx+b to x = (y-b) / m
          • 第7行:輸出坐標(biāo)集

          為了進(jìn)一步說明，在第一行，我們用y1值作為圖像的高度。這是因?yàn)樵?/span>OpenCV中，y軸是倒轉(zhuǎn)的，所以0在頂部，而圖像的高度在原點(diǎn)(參考下圖)。同樣，在第二行，y1乘以3/5，這是因?yàn)槲覀兿胱屩本€從原點(diǎn)y1開始，以圖像的2/5結(jié)束。

          應(yīng)用于左線的make_points函數(shù)的可視化示例
          但是，這個(gè)函數(shù)并不顯示這些線，它只計(jì)算顯示這些線所需的點(diǎn)。接下來，我們要?jiǎng)?chuàng)建一個(gè)函數(shù)，它取這些點(diǎn)，并用它們來畫線。
          def display_lines(image, lines):  lines_image = np.zeros_like(image)  if lines is not None:    for line in lines:      x1, y1, x2, y2 = line      cv2.line(lines_image, (x1, y1), (x2, y2), (255, 0, 0), 10)  return lines_image
          這個(gè)函數(shù)有兩個(gè)參數(shù):我們想要顯示線條的圖像以及從平均函數(shù)輸出的車道線。

          • 第2行:創(chuàng)建一個(gè)與原始圖像相同尺寸的黑色圖像
          • 第3行:確保包含線點(diǎn)的列表不是空的
          • 第4-5行:循環(huán)遍歷列表，并提取兩對(duì)(x, y)坐標(biāo)

          我們可能會(huì)想，為什么我們不把這些線添加到真實(shí)圖像上，而是黑色圖像上。因?yàn)樵紙D像有點(diǎn)太亮了,所以如果我們把它調(diào)暗一點(diǎn)，讓車道線看得更清楚一點(diǎn)就好了(是的,我們知道,這不是大不了的,但找到改進(jìn)算法的方法總是很好的)。
          左:直接添加線條到圖像。右:使用cv2.addddled函數(shù)
          所以我們要做的就是調(diào)用cv2.addWeighted函數(shù)：
          lanes =cv2.addWeighted(copy, 0.8, black_lines, 1, 1)

          這個(gè)函數(shù)為實(shí)際圖像中的每個(gè)像素賦予0.8的權(quán)重，使它們稍微暗一些(每個(gè)像素乘以0.8)。同樣地，我們給所有車道線的黑色圖像賦予1的權(quán)重，這樣所有像素都保持相同的強(qiáng)度，使其突出。接下來我們要做的就是調(diào)用這些函數(shù):

          copy = np.copy(image1) grey = grey(copy) gaus = gauss(grey) edges = canny(gaus,50,150) isolated = region(edges)lines = cv2.HoughLinesP(isolated, 2, np.pi/180, 100, np.array([]), minLineLength=40, maxLineGap=5) averaged_lines = average(copy, lines) black_lines = display_lines(copy, averaged_lines)
          在這里，我們簡單地調(diào)用前面定義的所有函數(shù)，然后在第12行輸出結(jié)果，cv2.waitKey函數(shù)用于告訴程序圖像顯示需要多長時(shí)間。我們將“0”傳遞給函數(shù)，這意味著它將等待，直到按下一個(gè)鍵關(guān)閉輸出窗口。

          輸出結(jié)果:
          我們也可以把這個(gè)算法應(yīng)用到視頻上。
          video = r”D:\users\new owner\Desktop\TKS\Article Lane Detection\test2_v2_Trim.mp4" cap = cv2.VideoCapture(video) while(cap.isOpened()):    ret, frame = cap.read()   if ret == True:#----THE PREVIOUS ALGORITHM----#     gaus = gauss(frame)     edges = cv2.Canny(gaus,50,150)     isolated = region(edges) lines = cv2.HoughLinesP(isolated, 2, np.pi/180, 50,)  lanes = cv2.ad1dWeighted(frame, 0.8, black_lines, 1, 1)     cv2.imshow(“frame”, lanes) #----THE PREVIOUS ALGORITHM----#     if cv2.waitKey(10) & 0xFF == ord(‘q’):        break   else:     break cap.release()  cv2.destroyAllWindows()
          這段代碼將我們?yōu)閳D像創(chuàng)建的算法應(yīng)用到視頻中。記住，一個(gè)視頻就是一串快速出現(xiàn)的圖片。

          • 第1-2行:定義視頻的路徑。
          • 第3-4行:捕獲視頻(使用cv2. videcapture)，并循環(huán)遍歷所有幀。
          • 第5-6行:讀取幀，如果有幀，繼續(xù)。
          • 第10-18行:從前面的算法復(fù)制代碼，并將所有使用Copy的地方替換為frame，因?yàn)槲覀兿氪_保我們操作的是視頻的幀，而不是前面函數(shù)中的圖像。
          • 第22-23行:顯示每一幀10秒，如果按下“q”按鈕，退出循環(huán)。
          • 第24-25行:它是第5-6行if語句的延續(xù)，但它所做的只是如果沒有任何幀，就退出循環(huán)。
          • 第26-27行:關(guān)閉視頻

          我們剛剛建立了一個(gè)可以檢測(cè)車道線的算法，希望小伙伴們喜歡構(gòu)建這個(gè)算法，但不要止步于此，這只是一個(gè)關(guān)于計(jì)算機(jī)視覺世界的入門項(xiàng)目。
           
          關(guān)鍵點(diǎn)：
          • 使用高斯模糊去除圖像中的所有噪聲
          • 使用canny邊緣檢測(cè)來分離圖像中的邊緣
           
          關(guān)鍵字：
          如果小伙伴們好奇，這里有一些與這個(gè)算法相關(guān)的關(guān)鍵術(shù)語，小伙伴們可以更深入地研究。
          • 高斯模糊
          • 位和二進(jìn)制
          • 精明的邊緣檢測(cè)
          • 霍夫變換
          • 梯度
          • 極坐標(biāo)
          • OpenCV車道線檢測(cè)
          其他需要考慮的資源：
          • youtube視頻。

          Github代碼連接：
          https://github.com/Nushaine/lane-detection/blob/master/Untitled33.ipynb
          好消息，小白學(xué)視覺團(tuán)隊(duì)的知識(shí)星球開通啦，為了感謝大家的支持與厚愛，團(tuán)隊(duì)決定將價(jià)值149元的知識(shí)星球現(xiàn)時(shí)免費(fèi)加入。各位小伙伴們要抓住機(jī)會(huì)哦！

          下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
          在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

          下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講
          在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測(cè)、車道線檢測(cè)、車輛計(jì)數(shù)、添加眼線、車牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺。

          下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講
          在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。

          交流群

          歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請(qǐng)按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~

          
                
          瀏覽
                    55
          點(diǎn)贊
    
          評(píng)論
    
          收藏
    
          分享
        
          手機(jī)掃一掃分享
          分享
    
          
        舉報(bào)
    
          評(píng)論
          圖片
          表情
          推薦
        
          點(diǎn)贊
    
          評(píng)論
    
          收藏
    
          分享
        
          手機(jī)掃一掃分享
          分享
    
          
        舉報(bào)
    
          

          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            2. 

            <del id="afajh"><form id="afajh"></form></del>
            

            5. 

                1. <th id="afajh"><progress id="afajh"></progress></th>

                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  

亚洲综合777777
|
青青欧美,青青美女视频
|
日本一级色情片
|
777在线视频
|
狠狠撸视频
|