计算机视觉自动驾驶 代码

自动驾驶是计算机视觉领域的一个重要应用，它需要利用摄像头获取道路信息、行人信息以及其他车辆信息，并通过算法对这些信息进行处理和分析，实现车辆的自主驾驶。下面是一个简单的自动驾驶代码示例，仅供参考。

import cv2
import numpy as np

# 定义图像的大小
img_width, img_height = 640, 480

# 定义车道线识别的 ROI 区域
roi_vertices = [(0, img_height), (img_width/2, img_height/2), (img_width, img_height)]

# 定义车道线颜色的阈值
lower_yellow = np.array([18, 94, 140], dtype=np.uint8)
upper_yellow = np.array([48, 255, 255], dtype=np.uint8)

# 定义车道线检测的函数
def detect_lane(image):
    # 转换为 HSV 颜色空间
    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    # 提取黄色区域
    yellow_mask = cv2.inRange(hsv_image, lower_yellow, upper_yellow)
    # 对图像进行膨胀操作，填充空洞
    kernel = np.ones((5, 5), np.uint8)
    yellow_mask = cv2.dilate(yellow_mask, kernel, iterations=1)
    # 通过掩码过滤图像，保留黄色车道线
    filtered_image = cv2.bitwise_and(image, image, mask=yellow_mask)
    # 将图像转换为灰度图像，并进行高斯滤波
    gray_image = cv2.cvtColor(filtered_image, cv2.COLOR_BGR2GRAY)
    blur_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
    # 边缘检测
    canny_image = cv2.Canny(blur_image, 50, 150)
    # 提取 ROI 区域
    mask = np.zeros_like(canny_image)
    cv2.fillPoly(mask, np.array([roi_vertices], np.int32), 255)
    masked_image = cv2.bitwise_and(canny_image, mask)
    # 使用霍夫变换检测直线
    lines = cv2.HoughLinesP(masked_image, 1, np.pi/180, 20, minLineLength=30, maxLineGap=10)
    # 将检测到的直线绘制到原图上
    line_image = np.zeros_like(image)
    if lines is not None:
        for line in lines:
            x1, y1, x2, y2 = line[0]
            cv2.line(line_image, (x1, y1), (x2, y2), (0, 255, 0), 3)
    # 将绘制好的直线与原图进行融合
    result = cv2.addWeighted(image, 0.8, line_image, 1, 0)
    return result

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 获取一帧图像
    ret, frame = cap.read()
    if not ret:
        break
    # 调用 detect_lane 函数进行车道线检测
    result = detect_lane(frame)
    # 显示结果
    cv2.imshow("result", result)
    # 等待按键
    key = cv2.waitKey(1) & 0xFF
    if key == ord('q'):
        break
        
# 释放摄像头并关闭窗口
cap.release()
cv2.destroyAllWindows()

以上代码中，我们使用 OpenCV 库实现了车道线检测功能。通过使用摄像头获取实时图像，对图像进行处理和分析，最终将检测结果显示在窗口中。当用户按下键盘上的 'q' 键时，程序退出。需要注意的是，这只是一个简单的示例代码，实际应用中还需要进行更多的优化和改进。