Python基于YOLOv8和OpenCV实现车道线和车辆检测

AI大权

已于 2025-01-09 16:48:04 修改

阅读量4.5k

点赞数 11

CC 4.0 BY-SA版权

分类专栏：计算机视觉文章标签： YOLO opencv 计算机视觉 python

于 2025-01-09 16:13:40 首次发布

本文链接：https://blog.csdn.net/old_power/article/details/145036338

使用YOLOv8（You Only Look Once）和OpenCV实现车道线和车辆检测，目标是创建一个可以检测道路上的车道并识别车辆的系统，并估计它们与摄像头的距离。该项目结合了计算机视觉技术和深度学习物体检测。

1、系统主要功能

车道检测：使用边缘检测和霍夫线变换检测道路车道。
汽车检测：使用 YOLOv8 模型识别汽车并在汽车周围绘制边界框。
距离估计：使用边界框大小计算检测到的汽车与摄像头的距离。

2、环境要求

OpenCV：用于图像处理和车道检测。
Ultralytics YOLOv8：用于车辆检测。
NumPy：用于数组操作。

pip install opencv-python-headless numpy ultralytics

opencv-python 和 opencv-python-headless 区别是 OpenCV 的 Python 包，主要区别在于是否包含 GUI 相关的功能。

`opencv-python`

包含 GUI 功能：支持窗口显示、鼠标事件等图形界面操作。
依赖：需要 GUI 库（如 GTK、Qt）支持。
适用场景：适用于需要显示图像或与用户交互的环境，如桌面应用。

`opencv-python-headless`

不包含 GUI 功能：去除了窗口显示和用户交互功能。
依赖：无需 GUI 库，适合无图形界面的环境。
适用场景：适用于服务器或无图形界面的环境，如远程服务器、Docker 容器。

`选择建议`

如果需要显示图像或与用户交互，选择 opencv-python。
如果仅需图像处理且无图形界面需求，选择 opencv-python-headless。

3、代码

import cv2
import numpy as np
import math
import time
from ultralytics import YOLO  # YOLOv8 module

# Function to mask out the region of interest
def region_of_interest(img, vertices):
    mask = np.zeros_like(img)
    match_mask_color = 255
    cv2.fillPoly(mask, vertices, match_mask_color)
    masked_image = cv2.bitwise_and(img, mask)
    return masked_image

# Function to draw the filled polygon between the lane lines
def draw_lane_lines(img, left_line, right_line, color=[0, 255, 0], thickness=10):
    line_img = np.zeros_like(img)
    poly_pts = np.array([[
        (left_line[0], left_line[1]),
        (left_line[2], left_line[3]),
        (right_line[2], right_line[3]),
        (right_line[0], right_line[1])
    ]], dtype=np.int32)
    
    # Fill the polygon between the lines
    cv2.fillPoly(line_img, poly_pts, color)
    
    # Overlay the polygon onto the original image
    img = cv2.addWeighted(img, 0.8, line_img, 0.5, 0.0)
    return img

# The lane detection pipeline
def pipeline(image):
    height = image.shape[0]
    width = image.shape[1]
    region_of_interest_vertices = [
        (0, height),
        (width / 2, height / 2),
        (width, height),
    ]

    # Convert to grayscale and apply Canny edge detection
    gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    cannyed_image = cv2.Canny(gray_im