---
# System prepended metadata

title: Car Lane Detection

---

Car Lane Detection
===
現今無人駕駛技術已經越來越成熟及普及，從現在路上最常跑的電動車 Tesla 就含有很多自動駕駛的技術在裡面，上次看到這影片時[Tesla Navigating](https://www.youtube.com/watch?v=rKG3eDppzm4&t=94s&ab_channel=AIDRIVR)、[Tesla autopilot recognition of roadside structures](https://www.youtube.com/watch?v=7ztK5AhShqU&ab_channel=greentheonly)、[CA through the eyes of FSD BETA](https://www.youtube.com/watch?v=REcBsg93YIM&ab_channel=AIDRIVR)，整個特斯拉能看到的場景很豐富，當然也對於最基礎的車道偵測也是必備功能。Tesla 是藉由很多 sensor 去提供資訊再去做運算與判斷不同場景，那本次想從基礎車道偵測去下手，藉由影像處理的方法去辨識車道線，再去判斷車子左右偏移狀況。

[加強版車道偵測在這～～](https://hackmd.io/@yoch/Sy8H_v4vO)

## 基礎車道辨識

### 基本架構
整體架構如下，首先是由 camera 影像進來，那要對單張單張影像進行處理與判別。

```flow
st=>start: Image
e=>end: Draw Line
op=>operation: To Gary & Reduce Noice
op2=>operation: Edge Detect
op3=>operation: Interes Region
op4=>operation: Hough Line Detection


st->op->op2->op3->op4
op4->e
```

### 方法
由上面架構圖可以看到使用了哪些方法，這部分就來講解一下。

首先做影像處理幾乎都是轉為單通道去做處理比較方便也好理解，整體過程都直接採用 OpenCV Library 進行，首先將 GBR 轉為 Gray 

![](https://i.imgur.com/6EU6NiF.jpg =500x)


之後再透過 Gaussian Filter 進行低通濾波將影像中的雜訊給濾除掉，

![](https://i.imgur.com/HHkane6.jpg =500x)

接著進行邊緣偵測

![](https://i.imgur.com/QjVGZBE.png =500x)

那這邊比較一下有無濾波的差異

沒有濾波
![](https://i.imgur.com/rKClZwg.png)

有濾波
![](https://i.imgur.com/c36wL04.png)

從上面可以看出來有些雜訊是被濾除掉的

那再來要偵測車道線，由於行車紀錄器都是固定位置，那可以直接抓出我們感興趣的位置進行偵測，由下圖可以看到只顯示出一部分要去做處理

![](https://i.imgur.com/vKbHAvy.png)

從剛剛上面的圖再透過 hough transform 進行 line detection，當然會偵測到很多點然後顯示一堆線，所以必須採取一個步驟就是去限制這些點，然後把最需要的資訊再抓取出來，這邊透過高中所學的直線斜率簡單的知識就可以了！

大家應該都還記得兩點可以成一直線，那一直線就可以算出它的角度與斜率了吧，這邊附上一張圖讓各位回憶一下xd

![](https://i.imgur.com/JMa7vw9.png =300x)  ![](https://i.imgur.com/nFhUMcR.png =400x)


那麼斜率 K 就等於
$$K ={y_2 - y_1 \over x_2 - x_1}$$

那可以透過斜率方便尋找出我們需要的直線，這邊採用的方法是去將所有點的斜率去做一個限制與平均，可能這樣說會不懂直接上程式碼。

```python=
def make_coordinate(parameter, y_max, y_min):
  x1_mean = int((y_max - parameter[1]) / parameter[0])
  x2_mean = int((y_min - parameter[1]) / parameter[0])
  return np.array([x1_mean, y_max, x2_mean, y_min])

def mean_coordinate(img, lines):
  left_fit = []
  right_fit = []
  y_max = img.shape[0]
  y_min = img.shape[0]

  for line in lines:
    x1, y1, x2, y2 = line[0] 
    y_min = min(min(y1, y2), y_min)
    parameter = np.polyfit((x1, x2), (y1, y2), 1)  ## y = ax + b, 兩點求直線公式
    slope = parameter[0]  
    intercept = parameter[1] 
    if abs(slope) < 0.5:  
      continue 
    if slope < 0:  ## 判斷斜率來表示左右
      left_fit.append((slope, intercept))
    else:
      right_fit.append((slope, intercept))

  if len(left_fit) > 0 and len(right_fit) > 0:
    left_fit_mean = np.mean(left_fit, axis=0)
    right_fit_mean = np.mean(right_fit, axis=0)
    
    left_coordinate = make_coordinate(left_fit_mean, y_max, y_min)
    right_coordinate = make_coordinate(right_fit_mean, y_max, y_min)
    return np.array([left_coordinate, right_coordinate])
  return
```

### Demo
可以偵測車道線，但是效果並不這麼理想，因此又想說做一個加強版的來讓車道偵測再完美一些。

![](https://i.imgur.com/2d0vtuB.gif)



![](https://imgur.com/mFOsjvH.gif)



## 參考
>Lane Detection：https://github.com/davidawad/Lane-Detection
>Hands-On Tutorial on Real-Time Lane Detection using OpenCV：https://www.analyticsvidhya.com/blog/2020/05/tutorial-real-time-lane-detection-opencv/