用更加复杂的opencv c++代码实现车道线检测代码实现

下面是一个基于 OpenCV C++ 的车道线检测代码示例：

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
    // 读取视频
    VideoCapture cap("test.mp4");

    // 检查视频是否打开
    if (!cap.isOpened()) {
        cout << "Error opening video stream or file" << endl;
        return -1;
    }

    // 创建窗口
    namedWindow("Lane Detection", WINDOW_NORMAL);

    // 循环读取每一帧
    while (true) {
        Mat frame;
        cap >> frame;

        // 检查是否到达视频结尾
        if (frame.empty()) {
            break;
        }

        // 转换为灰度图像
        Mat gray;
        cvtColor(frame, gray, COLOR_BGR2GRAY);

        // 高斯模糊
        Mat blurred;
        GaussianBlur(gray, blurred, Size(5, 5), 0);

        // canny边缘检测
        Mat edges;
        Canny(blurred, edges, 50, 150);

        // ROI选择（仅保留感兴趣区域）
        Mat mask = Mat::zeros(edges.rows, edges.cols, CV_8UC1);
        Point pts[4] = {
            Point(0, edges.rows),
            Point(400, 300),
            Point(500, 300),
            Point(edges.cols, edges.rows)
        };
        fillConvexPoly(mask, pts, 4, Scalar(255, 0, 0));
        Mat maskedEdges;
        bitwise_and(edges, mask, maskedEdges);

        // 霍夫线变换
        vector<Vec4i> lines;
        HoughLinesP(maskedEdges, lines, 1, CV_PI/180, 20, 20, 10);

        // 画出检测到的车道线
        Mat line_image = Mat::zeros(maskedEdges.size(), CV_8UC3);
        for (size_t i = 0; i < lines.size(); i++) {
            Vec4i l = lines[i];
            line(line_image, Point(l[0], l[1]), Point(l[2], l[3]), Scalar(0, 0, 255), 3, LINE_AA);
        }

        // 合并原始图像和检测到的车道线图像
        Mat combined_image;
        addWeighted(frame, 0.7, line_image, 1, 0, combined_image);

        // 显示结果
        imshow("Lane Detection", combined_image);

        // 等待按键
        if (waitKey(25) == 27) {
            break;
        }
    }

    // 释放视频
    cap.release();

    // 关闭窗口
    destroyAllWindows();

    return 0;
}

这个示例使用了 OpenCV 中的一些常见函数，如 cvtColor、GaussianBlur、Canny、fillConvexPoly、HoughLinesP 等。其中，关键的步骤是通过霍夫线变换检测车道线，并将检测到的线画到图像上。同时，为了减少检测到的线数量，需要在边缘检测后选择感兴趣区域（ROI）并应用掩膜。最后，使用 addWeighted 函数将原始图像和检测到的车道线图像合并。