内容简介:1.一个比较简单的做法是利用computer vision技术从摄像头视角获取道路信息。然后是选取选颜色比较接近直觉, 路上的线也就两种颜色,要么白线,要么黄线。 白线其实比较好找
1. ROI
一个比较简单的做法是利用computer vision技术从摄像头视角获取道路信息。然后是选取 ROI(Region of Interest) , 基本上就是选颜色 + 选区域。
选颜色比较接近直觉, 路上的线也就两种颜色,要么白线,要么黄线。 白线其实比较好找
但是黄线的话就不能直接用原图了。要先把原图分成RGB三层
而黄色的线在蓝色那层是看不到的
(因为是互补色)
除了选颜色,选区域也是可以直接利用CV解决的问题。
从车头视角向前看,大部分像素都是没有用的。尤其是天空的部分。对于自动驾驶来说差不多等价于干扰信号,基本上可以直接过滤掉
2. Canny Edge Detection
下一步是使用边缘检测算法寻找边线。如果我们把视图当成一张灰度图来看待,那么每一条边其实都在明暗块交替的位置
通过计算亮度的变化,可以把原图转化成一张梯度图
然后再将结果锐化,得到亮度数值变化最大的像素点
实际上,在做Canny算法之前,要对图像做 高斯平滑(Gaussian smoothing / Gaussian Blur) ,消除噪声和伪梯度点
3.直线检测
Hough Transform是图像变化中的经典算法,主要用来寻找图像中符合某种特征的集合,说白了就是检测直线、圆、椭圆。
Hough变化要将笛卡尔坐标下的点变化到霍夫极坐标系,原来的点共线问题会由此转化计算成曲面在极坐标下的共点,效果上就是该算法对边缘间断不敏感。大致上是这个意思,实际操作的时候是统计累加空间里的局部最大值(峰值),以该峰值作为结果(所以说抗噪能力还是很强的)。
总结一下就是:
原图 -> 灰度图 -> 边缘检测 -> 直线检测 -> 过滤掉斜率过低的直线 -> 将最后结果叠加回原图
行为克隆
使用神经网络进行无人驾驶的理论基础来源于Imitation Learning (模仿学习)。Behavior Cloning算是Imitation Learning的一种。思路倒是很简单,将人类驾驶作为基础数据全部收集下来,然后让神经网络去拟合数据。
这类端到端的解决方案基本上是一个路子,优点:简单且有效,缺点:受限于收集的数据。因为训练集总是有限的,如果出现了神经网络之前没见过的数据,那么效果就会很差。
一个比较经典的条件是天气,下雨天的路面跟晴天的路面不一样,有雾的天气下道路能见度也会对摄像头收集的数据有很大影响。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- Google工程师:从零开始学习无人驾驶技术 ——端到端无人驾驶
- 从零开始的无人驾驶 02:Vehicle Detection
- 从 0 开始使用树莓派和 TensorFlow 构建自动驾驶项目
- 当Faster RCNN遇到FPGA,自动驾驶开始飞了
- 从零开始的无人驾驶 01:Lanes Finding with Computer Vision
- 无人驾驶入门1:无人驾驶概览
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。