yolov5+车道线检测

这篇具有很好参考价值的文章主要介绍了yolov5+车道线检测。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

        目标检测与车道线检测在自动驾驶以及车辆定位中起着重要的辅助作用,是环境感知中不可缺少的一个部分。基于深度学习的车道线检测方法近年来也在不断的提升,比如论文:Ultra Fast Deep Lane Detection with HybridAnchor Driven Ordinal Classification.该论文是提出了一种基于anchor的车道线检测方法,这种方法借鉴了目标检测的思想,预设定了anchor,比基于图像分割的车道线检测方法在速度上有很大的提升。到考虑到如果算法均采用深度学习方法,在最终算法落地的时候对于模型优化是比较高的,而且有些模型在参数和计算量上都比较大,因此本文采用深度学习的yolov5做为目标检测结合传统的图像处理方法做车道线检测

yolov5这部分不在详细展开,直接下载官方代码即可。重点是介绍车道线检测方法思路供大家学习。


主要步骤分四步:

1.颜色筛选

2.边缘检测

3.mask检测区域筛选

4.霍夫变换


yolov5+车道线检测

1.颜色筛选

        比如下面视频中,我们想先通过颜色筛选先对图像进行过滤,方法也很简单,就是通过设置阈值对RGB三通道先进行筛选。这个阈值也不是随便设置,教给大家一个方法。采用微信截图,然后把鼠标放到车道上面,记下RGB三通道的值即可【可以上下浮动调整,直到筛选出你较为满意的效果,注意opencv里的通道顺序是BGR】。过滤以后就如下所示。

yolov5+车道线检测yolov5+车道线检测

2.边缘检测

        这里的边缘检测主要是检测车道线的边缘,采用的是Canny算子进行检测。在边缘检测之前需要先把图像转为灰度图,设置核的大小,一般设置为5,用高斯进行去噪处理后在采用Canny进行边缘检测。

def canny_edg_(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图像
    kernel_size = 5
    blur_gray = cv2.GaussianBlur(gray, (kernel_size, kernel_size), 0) # 高斯滤波
    low_thres = 160
    high_thres = 240
    edg_img = cv2.Canny(blur_gray, low_thres, high_thres)
    return edg_img

边缘检测的效果图如下所示 ,可以看到这里已经将车道线检测出来了【当然这里还有其他边缘】。

yolov5+车道线检测

3.mask检测区域筛选

        这一步是很重要的,我们可以分析一下步骤二中的图,在道路环境中不仅仅有车道线,还有山体的轮廓等等,那有什么办法可以进一步筛选吗?答案是有的,可以看到车道线基本是位于画面的三分之二左右的位置上,上面的部分是不需要检测,所以如果我们可以创建一个mask把需要检测的区域保留下来即可。mask图像如下所示,可以看到已经把车道区域筛选出来了【这个区域可以做更细微的调整,比如设置一个比例值,我这里只是做个演示】

yolov5+车道线检测

4.霍夫变换        

        接下来是通过霍夫变换获取车道线的坐标进行绘制,可以直接用opencv中现有的函数即可,即cv2.HoughLinesP ,同时还可以计算出左右车道线坐标【通过霍夫空间映射到笛卡尔空间,这里的m表示斜率,c表示截距,那么我们可以斜率判断车道线是左还是右】,最后通过cv2.line进行绘制即可。

                # 求直线方程斜率判断左右车道
                m = (y2 - y1) / (x2 - x1)
                c = y1 - m * x1
                if m < 0:  # 左车道
                    left_line.append((m, c))
                elif m >= 0:  # 右车道
                    right_line.append((m, c))

效果图就是下面这样的。如果还想检测的区域更长一些,可以调整mask区域即可【但也会引入其他的噪声】 。

yolov5+车道线检测


然后可以将以上车道线检测应用于目标检测中, 我这里是放到了yolov5中,大家也可以尝试放在其他的目标检测算法后,也可以放在图像分割中都是可以的。

yolov5+车道线检测

【yolov5+车道线检测】 


 本文仅供研究学习使用。

代码:

GitHub - YINYIPENG-EN/yolov5_lane_detection: yolov5+霍夫变换实现的车道线检测文章来源地址https://www.toymoban.com/news/detail-442625.html

到了这里,关于yolov5+车道线检测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于yolov5的车道线检测及安卓部署

    这个车道线检测是华科的研究团队做的一个开源项目,写这篇文章主要是想分享一下好的东西给大家 自己做了拓展延伸,在车道线检测的基础上增加了测距和碰撞检测内容,具体见文章 yolov5车道线检测+测距(碰撞检测) 车道线识别代码可以直接下载,在win系统下运行 代码

    2024年02月06日
    浏览(81)
  • 竞赛选题 车道线检测(自动驾驶 机器视觉)

    无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测。 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手。那么面对这样极其复杂问题,我们解决问题方式从先尝试简化问

    2024年02月04日
    浏览(79)
  • 挑战杯 车道线检测(自动驾驶 机器视觉)

    无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测。 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手。那么面对这样极其复杂问题,我们解决问题方式从先尝试简化问

    2024年03月28日
    浏览(74)
  • OpenCV—自动驾驶实时道路车道检测(完整代码)

    自动驾驶汽车是人工智能领域最具颠覆性的创新之一。在深度学习算法的推动下,它们不断推动我们的社会向前发展,并在移动领域创造新的机遇。自动驾驶汽车可以去传统汽车可以去的任何地方,并且可以完成经验丰富的人类驾驶员所做的一切。但正确地训练它是非常重要

    2024年02月06日
    浏览(46)
  • 毕设成品 车道线检测(自动驾驶 机器视觉)

    无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测。 🧿 选题指导, 项目分享:见文末 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手。那么面对这样极其复杂问题,

    2024年04月23日
    浏览(34)
  • 目标检测笔记(十二):如何通过界面化操作YOLOv5完成数据集的自动标注

    通过界面化操作YOLOv5完成数据集的自动标注的意义在于简化数据标注的流程,提高标注的效率和准确性。 传统的数据集标注通常需要手动绘制边界框或标记关键点,这个过程费时费力且容易出错。而通过界面化操作YOLOv5完成数据集的自动标注,可以实现自动识别目标并生成标

    2024年02月11日
    浏览(44)
  • 计算机竞赛 车道线检测(自动驾驶 机器视觉)

    无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测。 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手。那么面对这样极其复杂问题,我们解决问题方式从先尝试简化问

    2024年02月08日
    浏览(73)
  • 软件工程毕设 车道线检测(自动驾驶 机器视觉)

    无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测。 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手。那么面对这样极其复杂问题,我们解决问题方式从先尝试简化问

    2024年02月04日
    浏览(78)
  • 【计算机毕设】车道线检测(自动驾驶 机器视觉)

    无人驾驶技术是机器学习为主的一门前沿领域,在无人驾驶领域中机器学习的各种算法随处可见,今天学长给大家介绍无人驾驶技术中的车道线检测。 在无人驾驶领域每一个任务都是相当复杂,看上去无从下手。那么面对这样极其复杂问题,我们解决问题方式从先尝试简化问

    2024年01月15日
    浏览(79)
  • 【论文阅读】自动驾驶中车道检测系统的物理后门攻击

    论文题目: Physical Backdoor Attacks to Lane Detection Systems in Autonomous Driving(自动驾驶中车道检测系统的物理后门攻击) 发表年份: 2022-MM(ACM International Conference on Multimedia, CCF-A) 作者信息: Xingshuo Han(南洋理工大学), Guowen Xu(南洋理工大学), Yuan Zhou* (南洋理工大学), Xuehu

    2024年02月10日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包