>>> 点击进入：OpenCV专栏<<<

---

API使用流程

通过鸟瞰图计算直方图→用移动滑窗计算满足阈值个数的像素点→输出拟合曲线

---

参考文章

参考博客：几何变换

---

代码思路

1.创建二值像素直方图，把左边和右边数据分开，统计累计值最多的点坐标为中心。
2.设置一个宽度margin（窗口宽度一半），设置Y方向的滑动窗口个数（Y方向被切分成几份）
3.设置像素点阈值，如果超过阈值，则保留全部像素点坐标，最后得到一个全部符合的像素点坐标list。
4.使用np.ployfit最小二乘法拟合，计算出曲线的系数，这里使用二次曲线拟合。
5.使用cv2.fillPoly填充曲线内部的面积。

---

完整代码

# -*- coding:utf-8 -*-
'''
@Author: knocky
@Blog: https://blog.csdn.net/zzx188891020
@E-mail: 188891020@qq.com
@File: cal_line_param.py
@CreateTime: 2020/6/11 15:55
'''
import numpy as np
import cv2
import matplotlib.pyplot as plt
from perspect_transform import *


# 精确定位车道线
def cal_line_param(binary_warped):
    # 1.确定左右车道线的位置
    # 统计直方图
    histogram = np.sum(binary_warped[:, :], axis=0)  #histogram.shape (1280, )
    # plt.plot(histogram)
    # plt.show()
    # 在统计结果中找到左右最大的点的位置，作为左右车道检测的开始点
    # 将统计结果一分为二，划分为左右两个部分，分别定位峰值位置，即为两条车道的搜索位置
    midpoint = np.int(histogram.shape[0] / 2)
    leftx_base = np.argmax(histogram[:midpoint])
    rightx_base = np.argmax(histogram[midpoint:]) + midpoint
    # 2.滑动窗口检测车道线
    # 设置滑动窗口的数量，计算每一个窗口的高度
    nwindows = 9
    window_height = np.int(binary_warped.shape[0] / nwindows)
    # 获取图像中不为0的点
    # nonzero函数是numpy中用于得到数组array中非零元素的位置（数组索引）的函数
    # nonzero解释参见https://blog.csdn.net/lilong117194/article/details/78283358
    nonzero = binary_warped.nonzero()
    nonzeroy = np.array(nonzero[0])
    nonzerox = np.array(nonzero[1])
    # 车道检测的当前位置
    leftx_current = leftx_base
    rightx_current = rightx_base
    # 设置x的检测范围，滑动窗口的宽度的一半，手动指定
    margin = 100
    # 设置最小像素点，阈值用于统计滑动窗口区域内的非零像素个数，小于50的窗口不对x的中心值进行更新
    minpix = 50
    # 用来记录搜索窗口中非零点在nonzeroy和nonzerox中的索引
    left_lane_inds = []
    right_lane_inds = []

    # 遍历该副图像中的每一个窗口
    for window in range(nwindows):
        # 设置窗口的y的检测范围，因为图像是（行列）,shape[0]表示y方向的结果，上面是0
        win_y_low = binary_warped.shape[0] - (window + 1) * window_height
        win_y_high = binary_warped.shape[0] - window * window_height
        # 左车道x的范围
        win_xleft_low = leftx_current - margin
        win_xleft_high = leftx_current + margin
        # 右车道x的范围
        win_xright_low = rightx_current - margin
        win_xright_high = rightx_current + margin

        # 确定非零点的位置x,y是否在搜索窗口中，将在搜索窗口内的x,y的索引存入left_lane_inds和right_lane_inds中
        good_left_inds = ((nonzeroy >= win_y_low) & (nonzeroy < win_y_high) &
                          (nonzerox >= win_xleft_low) & (nonzerox < win_xleft_high)).nonzero()[0]
        good_right_inds = ((nonzeroy >= win_y_low) & (nonzeroy < win_y_high) &
                           (nonzerox >= win_xright_low) & (nonzerox < win_xright_high)).nonzero()[0]
        left_lane_inds.append(good_left_inds)
        right_lane_inds.append(good_right_inds)

        # 如果获取的点的个数大于最小个数，则利用其更新滑动窗口在x轴的位置
        if len(good_left_inds) > minpix:
            leftx_current = np.int(np.mean(nonzerox[good_left_inds]))
        if len(good_right_inds) > minpix:
            rightx_current = np.int(np.mean(nonzerox[good_right_inds]))

    # 将检测出的左右车道点转换为array
    left_lane_inds = np.concatenate(left_lane_inds)
    right_lane_inds = np.concatenate(right_lane_inds)

    # 获取检测出的左右车道点在图像中的位置
    leftx = nonzerox[left_lane_inds]
    lefty = nonzeroy[left_lane_inds]
    rightx = nonzerox[right_lane_inds]
    righty = nonzeroy[right_lane_inds]

    # 3.用曲线拟合检测出的点,二次多项式拟合，返回的结果是系数
    left_fit = np.polyfit(lefty, leftx, 2)
    right_fit = np.polyfit(righty, rightx, 2)
    return left_fit, right_fit

# 填充车道线之间的多边形
def fill_lane_poly(img, left_fit, right_fit):
    # 获取图像的行数
    y_max = img.shape[0]
    # 设置输出图像的大小，并将白色位置设为255
    out_img = np.dstack((img, img, img)) * 255
    # 在拟合曲线中获取左右车道线的像素位置
    left_points = [[left_fit[0] * y ** 2 + left_fit[1] * y + left_fit[2], y] for y in range(y_max)]
    right_points = [[right_fit[0] * y ** 2 + right_fit[1] * y + right_fit[2], y] for y in range(y_max - 1, -1, -1)]
    # 将左右车道的像素点进行合并
    line_points = np.vstack((left_points, right_points))
    # 根据左右车道线的像素位置绘制多边形

    cv2.fillPoly(out_img, np.int_([line_points]), (0, 255, 0))
    return out_img


if __name__ == '__main__':
    img_transform = cv2.imread('perspect_img/img_straight_transform.jpg',0)
    # 这里的点，是之前直线确认好的点。不是test3的标定点
    points = [[601, 448], [683, 448], [230, 717], [1097, 717]]
    # 计算透视变化矩阵
    M, M_inverse = cal_perspective_params(img_transform, points)
    # trasform_img = img_perspect_transform(img_transform, M)
    # 拟合左右车道线
    left_fit, right_fit = cal_line_param(img_transform)
    result = fill_lane_poly(img_transform, left_fit, right_fit)
    cv2.imshow('result',result)
    cv2.waitKey(0)
    img_transform = img_perspect_transform(result, M_inverse)
    cv2.imshow('img_transform', img_transform)
    cv2.waitKey(0)
    #彩色图片效果融合
    img = cv2.imread('../test/straight_lines2.jpg')
    img_transform_RGB = cv2.addWeighted(img,1,img_transform,0.5,0)
    cv2.imshow('img_transform_RGB', img_transform_RGB)
    cv2.waitKey(0)

---

遇到的问题

查看问题点：
导入的图片显示的是黑白的，但是保存以后居然是RGB三通道，看来是设置问题了。这里正确的应该是（1280，）

调试代码时遇到的坑：
　　用cv2.imread读取灰度图，发现获得的图片为3通道，经查证发现，cv2.imread()函数默认读取的是一副彩色图片，想要读取灰度图，则需要设置参数。

使用函数cv2.imread(filepath,flags)读入一副图片
filepath：要读入图片的完整路径
flags：读入图片的标志
cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道
cv2.IMREAD_GRAYSCALE：读入灰度图片
cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道

img = cv2.imread(‘color_binary.jpg’,0) 这里写0，读取的就是灰度，不写就是彩色。

---

出现了这个问题

最后发现是由于打散源代码的时候，为了输出效果，乘以了255，然后代码里又乘以了255

#将这个代码的255去掉即可
out_img = np.dstack((img, img, img)) * 255
#这样就行了
out_img = np.dstack((img, img, img))

---

效果展示

统计0-1280宽度方向的，每一个像素列的像素值统计分布，效果一目了然

换了另一个图的效果

拟合效果

填充以后的效果

逆转换效果：

图像融合效果：

本文地址：https://blog.csdn.net/zzx188891020/article/details/106690655