本文共 1840 字，大约阅读时间需要 6 分钟。

OpenCV车道检测：基于多边形掩码与霍夫线变换的实时标记

近年来，自动驾驶技术的快速发展催生了诸多核心算法，而车道检测作为其中关键技术之一，正逐渐从实验室走向实际应用。通过OpenCV框架，我们可以在视频流中实时检测车道并进行可视化标记，这一技术不仅为自动驾驶提供了重要支持，也为智能交通系统的优化提供了可靠的数据基础。

本文将详细介绍基于多边形掩码与霍夫线变换的车道检测方法，并通过实际代码实现展示其效果。

实现步骤概述

车道检测的实现过程可分为以下几个关键步骤：

代码解析

1. 导入必要库

import os
import re
import cv2
import numpy as np
from tqdm import notebook
import matplotlib.pyplot as plt

2. 读取视频帧

col_frames = os.listdir('frames/')
col_frames.sort(key=lambda f: int(re.sub('\D', '', f)))
col_images = []
for i in notebook.tqdm(col_frames):
    img = cv2.imread(f'frames/{i}')
    col_images.append(img)

3. 创建多边形掩码

stencil = np.zeros_like(col_images[0][:, :, 0])
polygon = np.array([[50, 270], [220, 160], [360, 160], [480, 270]])
cv2.fillConvexPoly(stencil, polygon, 1)

4. 定义视频输出参数

pathOut = 'roads_v2.mp4'
fps = 30.0
height, width = col_images[0].shape[:2]
size = (width, height)

5. 合成标记视频

out = cv2.VideoWriter(pathOut, cv2.VideoWriter_fourcc(*'DIVX'), fps, size)
for img in notebook.tqdm(col_images):
    # 应用掩码
    masked = cv2.bitwise_and(img[:, :, 0], img[:, :, 0], mask=stencil)
    # 阈值化
    ret, thresh = cv2.threshold(masked, 130, 145, cv2.THRESH_BINARY)
    # 检测霍夫线
    lines = cv2.HoughLinesP(thresh, 1, np.pi/180, 30, maxLineGap=200)
    # 绘制标记
    dmy = img.copy()
    try:
        for line in lines:
            x1, y1, x2, y2 = line[0]
            cv2.line(dmy, (x1, y1), (x2, y2), (255, 0, 0), 3)
        out.write(dmy)
    except TypeError:
        out.write(img)
out.release()

结果展示与验证

通过上述代码处理后生成的视频文件 roads_v2.mp4 中，车道区域已被实时检测并标记。检测效果可通过视频播放器查看，车道边界清晰可见，多边形掩码的区域优先处理确保了标记效果的准确性。

本文通过多边形掩码与霍夫线变换的结合，实现了高效的车道检测与标记方法。该算法在实际应用中展现出良好的性能，适用于复杂交通场景下的车道识别任务。