基于OpenCV 的车道线检测方法_车道线在hsv空间

车道线检测是图像处理运用到无人驾驶的一项技术，目前也过渡到了部分汽车上，高速公路的自动车道保持就是一个应用。
最近研究了两个基于opencv的车道检的代码,先放链接：
A.Udacity车道线检测代码

B.基于霍夫变换和kalman滤波车道线检测

 *****A***中处理步骤如下:**
 
 1.使用提供的一组棋盘格图片计算相机校正矩阵(camera calibration matrix)和失真系数(distortion coefficients).这里主要是考虑到一些鱼眼相机。可以通过棋盘图片来获取校正矩阵进而完成相角拍摄图片的校正。
 2.使用梯度阈值(gradient threshold)，颜色阈值(color threshold)等处理图片得到清晰捕捉车道线的二进制图(binary image).
 3.使用透视变换(perspective transform)得到二进制图(binary image)的鸟瞰图(birds-eye view).
 进行透视变化只要是为了找到左右车道线的起点（这里将透视变化后的图片中的像素点投影到x轴，像素多的点对应为左右车道线的起点）
 4.检测属于车道线的像素并用它来测出车道边界.
 5.计算车道曲率及车辆相对车道中央的位置.
 6.处理图片展示车道区域，及车道的曲率和车辆位置.
1
2
3
4
5
6
7
8
9

A中各个步骤的处理细节，效果对比在.
Github中README.md中介绍很详细；A中主要缺点就是实时性还不够（每一帧需要1.05秒），对于弯道较多的路段还是很难适用。

***B***中对于夜视情况下检测效果非常好，且实时性较好。
         步骤如下：1.对视频中的图片进行gamma校正，gamma校正相当于进行直方图均匀化。将夜视下的图片增量对比度提高。代码如下：`
1
2

def gamma_correction_auto(RGBimage, equalizeHist=False):  # 0.35
    originalFile = RGBimage.copy()
    red = RGBimage[:, :, 2]
    green = RGBimage[:, :, 1]
    blue = RGBimage[:, :, 0]
    forLuminance = cv2.cvtColor(originalFile, cv2.COLOR_BGR2YUV)
    Y = forLuminance[:, :, 0]
    totalPix = vidsize[0] * vidsize[1]
    summ = np.sum(Y[:, :])
    Yaverage = np.divide(totalPix, summ)
    # Yclipped = np.clip(Yaverage,0,1)
    epsilon = 1.19209e-007
    correct_param = np.divide(-0.3, np.log10([Yaverage + epsilon]))
    correct_param = 0.7 - correct_param
    red = red / 255.0
    red = cv2.pow(red, correct_param)
    red = np.uint8(red * 255)
    if equalizeHist:
        red = cv2.equalizeHist(red)
    green = green / 255.0
    green = cv2.pow(green, correct_param)
    green = np.uint8(green * 255)
    if equalizeHist:
        green = cv2.equalizeHist(green)
    blue = blue / 255.0
    blue = cv2.pow(blue, correct_param)
    blue = np.uint8
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26