智能车巡线python |
您所在的位置：网站首页 › 电赛opencv › 智能车巡线python |
智能车巡线python
|
背景：2022智能车比赛百度提高组
思路：先拿赛道通过HSV调阈值，然后得到二值化图片，对二值化图像进行巡线； 巡线的思路:从图片最后一行的中央开始往左右两边扫线：分扫左线与扫右线；以左线为例子：（图片大小为480*640） 图片以最后一行开始往第一行循环作为外循环（设为i），以中线开始往左减一作为内循环（设为j）；记录该行的跳变点：即如果该行的该列为白色（255），下一列为黑色（0）则记录其列标（j），如果不满足该条件则说明无跳变点即该行无线，记录为0；记录到一个数组内（采用append的方法）。 右边线一样的思路，只不过如果没有线就记录为右最大列标（639） 赛道元素处理：赛道有十字，锐角转弯，连着的双十字，以及因为摄像头安装的位置导致的缺角与缺赛道 锐角： ： 双十字：
十字：
缺角等： ......就不一 一展示了。 处理思路：1.锐角元素：因为锐角出现，导致扫线方法不适用；然而锐角只会在图片上方出现，要么左锐角，要么右锐角，我们这个赛道只会出现左锐角，且占比较小，所以直接判断锐角，然后不扫锐角的线； 效果： 代码：如果当前行的最左边为非车道（0），下一行（往上）为车道（非0），右边线为非车道，则中断循环；因为锐角只会出现在左转，我们赛道十字都出现在左转，所以这样做不会出漏扫（如果十字处右转，则可能会出现漏扫现象）。 2.十字与缺角:思路：先计算拐点，然后通过拐点来判断补线；补线直接将上下拐点连接起来：斜截式方程。 拐点的计算：计算左（右）边线的跳跃点：从0（黑）变到非0（白）即为左（右）上拐点， 从非0（白）变到0（黑）即为左（右）下拐点。（用四个变量标志记录是否存在拐点，如果有就再用四个变量存拐点坐标） A.先补拐点，即如果左（右）边只有一个拐点，则另一个拐点就通过该拐点赋值，具体看程序：只有上拐点就把下拐点记为最下面一行同一列的点... B.通过拐点标志判断如何补线 补线判断：只要出现拐点就补线 效果：
拐点的位置可以通过代码里面的 sm 这个变量调整 代码：（函数里对照片进行展示比较耗时，返回值为巡得的中线数组） import cv2 import numpy import numpy as np def nothing(*arg): pass icol = (18, 0, 196, 36, 255, 255) #path = "test/cruise/" # Show the original image. #frame = path+str(961)+'.jpg' #frame = cv2.imread(frame) l = [16, 45, 65] # [17, 55, 128]#阈值 h = [44, 255, 255] # [24, 255, 255]#阈值 def zh_ch(string): return string.encode("gbk").decode('UTF-8', errors='ignore') # mm = 320 cap = cv2.VideoCapture(0) def XunX(img,SX): cv2.imshow('frame', img) # Blur methods available, comment or uncomment to try different blur methods. frameBGR = cv2.GaussianBlur(img, (7, 7), 0) hsv = cv2.cvtColor(frameBGR, cv2.COLOR_BGR2HSV) # HSV values to define a colour range. colorLow = numpy.array([16, 45, 65] ) # [17, 55, 128] colorHigh = numpy.array([44, 225, 225]) # [24, 225, 225] mask = cv2.inRange(hsv, colorLow, colorHigh) # Show the first mask cv2.imshow('mask-plain', mask) kernal = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7)) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernal) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernal) cv2.imshow('mask-plain', mask) # Find_Line(mask) left = np.array([]) right = np.array([]) leftb = np.array([]) rightb = np.array([]) medim = np.array([]) # len = []#记录边线丢失 le = [[]] ri = [[]] zz = 0 # 记录左缺陷时上一个坐标 yy = 639 SX = SX # 开始扫线时的y坐标 SXp = np.array([]) SS = 0 left_up = left_down = right_up = right_down = 0 for i in range(480, 1, -1): # 扫左线 for j in range(SX + 1, 0, -1): # 中线：319 if (mask[i - 1][j] == 0) and (mask[i - 1][j - 1] == 255): # 记录左跳变点的列值 left = np.append(left, j) leftb = np.append(leftb, j) zz = j break # 现在缺线 elif (j == 1): lk = 0 left = np.append(left, lk) leftb = np.append(leftb, lk) # 扫右线 for j1 in range(SX + 2, 639, 1): if (mask[i - 1][j1] == 0) and (mask[i - 1][j1 + 1] == 255): # 记录右跳变点的列值 right = np.append(right, j1) rightb = np.append(rightb, j1) yy = j1 break # 缺线 elif (j1 == 638): lk = 639 rightb = np.append(rightb, lk) right = np.append(right, lk) if (left[480 - i] == 0 and right[480 - i] != 639 and mask[i - 2][0] != 0 ): break # if (right[480 - i] == 639 and left[480 - i] != 0 and mask[i - 2][639] != 255 ): # break SX = int((left[480 - i] + right[480 - i]) / 2) SXp = np.append(SXp, SX) # 找拐点 sm = 30 for i in range(len(left) - 10): if (left[i] == 0 and left[i + 3] == 0 and left[i + 5] > 0 and left[i + 10] > 0): left_up = 1 left_up1 = (i + min(len(left[i+2:]),sm), left[i + min(len(left[i+2:]),sm)]) # 480 - i-sm if (left[i] > 0 and left[i + 3] > 0 and left[i + 5] == 0 and left[i + 10] == 0): left_down = 1 left_down1 = (i - min(i,sm), left[i - min(i,sm)]) # 480 - i+sm if (right[i] == 639 and right[i + 3] == 639 and right[i + 5] < 639 and right[i + 10] |
【本文地址】