以下是使用 Python 实现车道线识别（包括直线和曲线）的完整代码，并附带详细的注释： ```python import numpy as np import cv2 def process_image(image): """ 处理输入图像以提取车道线特征。 使用灰度转换、高斯模糊以及Canny边缘检测。 """ gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 将图像转换为灰度图 blur_gray = cv2.GaussianBlur(gray, (5, 5), 0) # 高斯模糊减少噪声 edges = cv2.Canny(blur_gray, 50, 150) # Canny 边缘检测 return edges def region_of_interest(edges, vertices): """ 提取感兴趣区域(ROI)，屏蔽无关部分。 """ mask = np.zeros_like(edges) # 创建掩码 match_mask_color = 255 cv2.fillPoly(mask, vertices, match_mask_color) # 填充多边形 masked_edges = cv2.bitwise_and(edges, mask) # 应用掩码 return masked_edges def hough_transform(masked_edges): """ 使用霍夫变换检测直线并拟合车道线。 """ rho = 1 # 距离分辨率 theta = np.pi / 180 # 角度分辨率 threshold = 15 # 投票阈值 min_line_length = 40 # 最短长度 max_line_gap = 20 # 最大间隙 lines = cv2.HoughLinesP(masked_edges, rho, theta, threshold, np.array([]), minLineLength=min_line_length, maxLineGap=max_line_gap) # 霍夫变换概率法 return lines def draw_lines(image, lines): """ 绘制检测到的车道线。 """ line_image = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.uint8) if lines is not None: for line in lines: for x1, y1, x2, y2 in line: cv2.line(line_image, (x1, y1), (x2, y2), (255, 0, 0), 5) # 绘制蓝色线条 combined_image = cv2.addWeighted(image, 0.8, line_image, 1, 0) # 图像叠加 return combined_image def lane_detection_pipeline(image): """ 定义完整的车道线检测流水线。 包括图像预处理、ROI提取、霍夫变换及绘制结果。 """ height, width = image.shape[:2] roi_vertices = [ (0, height), (width / 2, height * 0.6), (width, height) ] # 设置感兴趣区域顶点 edges = process_image(image) # 图像预处理 cropped_edges = region_of_interest(edges, np.array([roi_vertices], np.int32)) # ROI提取 lines = hough_transform(cropped_edges) # 霍夫变换检测直线 result_image = draw_lines(image, lines) # 绘制车道线 return result_image if __name__ == "__main__": input_image_path = "input_image.jpg" # 输入图片路径 output_image_path = "output_image.jpg" # 输出图片路径 original_image = cv2.imread(input_image_path) # 加载原始图像 processed_image = lane_detection_pipeline(original_image) # 执行车道线检测流程 cv2.imwrite(output_image_path, processed_image) # 保存结果图像 ``` ### 注解说明 上述代码实现了基本的车道线检测功能，涵盖了从图像预处理到最终绘图的过程。其中： - **图像预处理**阶段采用了灰度化、高斯滤波和Canny边缘检测技术[^1]。 - **兴趣区域提取**通过设置三角形区域过滤掉不必要的背景信息[^2]。 - **霍夫变换**用于检测图像中的直线段，并进一步筛选出可能属于车道线的部分[^1]。 尽管此代码可以很好地工作于清晰的道路场景下，但对于复杂环境或低质量图像可能存在局限性。未来的研究方向可考虑引入深度学习框架来增强鲁棒性和适应能力[^4]。