Skip to content
Merged
Changes from all commits
Commits
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
130 changes: 118 additions & 12 deletions src/lane_visualize/README.md
Original file line number Diff line number Diff line change
@@ -1,20 +1,126 @@
# 自动驾驶车道检测系统 (Basic Lane Detection)
# AutoLane: OpenCV 车道线检测系统

基于 OpenCV 和 Python 实现的基础车道线识别系统。该项目使用经典的计算机视觉技术(Canny 边缘检测、霍夫变换)来识别道路上的车道线,适用于直道和轻微弯道的场景。
这是一个基于 Python 和 OpenCV 的自动驾驶车道线检测项目。它不依赖深度学习模型,而是通过经典的计算机视觉算法(Canny 边缘检测、霍夫变换、色彩过滤)来实现车道线的实时识别与追踪。

## 📋 功能特性
- **边缘检测**:使用 Canny 算子提取图像边缘。
- **ROI 提取**:自动掩盖天空和无关背景,只关注路面区域。
- **车道拟合**:利用霍夫变换检测直线,并通过斜率过滤和平均算法计算左右车道。
- **视觉反馈**:在原视频上实时绘制检测到的车道区域(绿色)和车道线(蓝色)。
本项目包含一个强大的**实时调参工具 (`tuner.py`)**,允许开发者在视频播放过程中动态调整算法参数,从而快速适配不同的光照和道路环境。

## 🛠️ 安装指南
## ✨ 功能特性

### 1. 环境要求
建议使用 Python 3.8 或更高版本(测试环境为 Python 3.13)。
* **视觉管线**: 灰度化 -> 高斯模糊 -> Canny 边缘检测 -> ROI 掩码 -> 霍夫直线变换。
* **实时调参器**: 提供可视化滑动条界面,实时寻找最佳的 Canny 阈值和 ROI 区域。
* **鲁棒性优化**:
* **斜率过滤**: 剔除水平线(阴影)和垂直线(路标)。
* **历史帧平滑**: 使用 `deque` 队列对最近 10 帧数据取平均,消除抖动。
* **动态 ROI**: 可配置梯形区域,仅关注路面。

## 🛠️ 环境准备

### 1. 运行环境
* Python 3.8+ (推荐 Python 3.13)
* PyCharm 或 VS Code

### 2. 安装依赖
在项目根目录下运行以下命令安装所需库:
请在项目根目录下运行:
```bash
pip install -r requirements.txt

```

*(如果尚未创建 `requirements.txt`,手动安装: `pip install opencv-python numpy matplotlib`)*

### 3. 准备数据

请确保项目目录下有测试视频文件(例如 `sample.hevc` 或 `.mp4` 文件)。

* 如果你没有视频,可以从 [这里下载 sample.hevc](https://drive.google.com/file/d/1hP-v8lLn1g1jEaJUBYJhv1mEb32hkMvG/view?usp=sharing)。

---

## 🚀 使用指南 (完整流程)

### 第一步:使用 Tuner 寻找最佳参数

不同的视频(白天/夜晚/阴天)需要不同的参数。运行调参工具来获得最佳效果:

```bash
python tuner.py sample.hevc

```

**操作方法:**

1. **空格键**: 暂停视频,观察当前帧。
2. **滑动条**:
* `Canny Low/High`: 调整边缘检测的灵敏度(左侧黑白窗口)。
* `ROI Top W / Height`: 调整红色梯形框的大小,确保它只包裹车道线,避开天空和树木。
* `Hough Thresh`: 调整识别直线的严格程度(右侧绿色线条)。


3. **记录参数**: 记下效果最好时的 6 个数值。

### 第二步:更新主程序

打开 `main.py`,找到顶部的 **【参数配置区】**,将你刚刚记下的数值填入:

```python
# main.py 顶部
CANNY_LOW = 50 # <--- 填入你的数值
CANNY_HIGH = 150
ROI_TOP_WIDTH = 0.40
...

```

### 第三步:运行车道检测

参数配置完成后,运行主程序查看最终效果:

```bash
pip install -r requirements.txt
python main.py sample.hevc

```

* **按 `q` 键**: 退出程序。

---

## 📂 项目结构

```text
Project_Root/
├── main.py # [核心] 车道检测主程序 (需填入调优后的参数)
├── tuner.py # [工具] 可视化调参工具 (含滑动条)
├── requirements.txt # 依赖库列表
├── README.md # 项目文档
└── sample.hevc # 测试视频文件

```

## ⚠️ 常见问题

**Q1: 运行 `tuner.py` 或 `main.py` 时报错 `Assertion failed` 或无法打开视频?**

* **原因**: OpenCV 可能缺少 HEVC (H.265) 解码器。
* **解决**: 将 `sample.hevc` 转换为 `.mp4` 格式,或者重新编译安装带 FFmpeg 支持的 OpenCV。

**Q2: 检测框乱跳或消失?**

* **原因**: 参数不适合当前视频的光照。
* **解决**: 请务必先运行 `tuner.py`,针对当前视频调整 `Canny` 阈值和 `ROI` 范围。

## 🔮 路线图 (Roadmap)

* [x] 基础 OpenCV 车道线检测
* [x] 增加可视化调参工具
* [x] 增加帧间平滑 (Smoothing)
* [ ] 集成 YOLOv8 进行车辆/行人目标检测
* [ ] 结合深度学习实现端到端控制 (类似 comma.ai)

## 📚 参考资料

* [OpenCV Documentation](https://www.google.com/search?q=https://docs.opencv.org/)
* [Hough Circle Transform Explained](https://docs.opencv.org/3.4/d4/d70/tutorial_hough_circle.html)

```

```
Loading