Dieses Projekt umfasst die Entwicklung eines Programms zur Erkennung von US-amerikanischen Fahrbahnmarkierungen. Das Programm wurde mit Anaconda und OpenCV als Jupyter Notebook entwickelt. Der Export des Jupyter Notebooks ist im Folgenden dargestellt. Die Erkennung und Anzeige der Fahrbahnmarkierungen wurden stark bezüglich ihrer Berechnungseffizienz optimiert.
Ein Ausschnitt des Ergebnisvideos im Live-Rendering:
Demo_Cut.mp4
Die erkannten Spurmarkierungen sind rot hervorgehoben. Die entsprechenden Fahrspurradien sind oben rechts dargestellt.
import cv2 as cv
from matplotlib import pyplot as plt
import numpy as np
import os
import glob
import time
print('Willkommen beim Projekt "Erkennung von Spurmarkierungen"')"""
# Hilfsfunktion um Bilder mit Titel anzuzeigen
# Die Funktion erstellt pro Aufruf ein Bild
"""
def showimg(img, title):
plt.imshow(img)
plt.title(title)
plt.show()Die vorhandenen Bilder sind aufgrund der Linsen- und Kameraeigenschaften verzerrt. Die Bilder wurden mittels der Kamerakalibrierungsroutinen von OpenCV (https://docs.opencv.org/4.5.3/dc/dbb/tutorial_py_calibration.html) und den aufgezeichneten Kalibrationsbildern entzerrt.
"""
# Kalibrationsdaten berechnen
# Der Code liest alle Kalibrationsbilder ein und fügt die entnommenen Daten zusammen
"""
# Einlesen und Anzeigen eines Beispielbildes
img_cal_1 = cv.cvtColor(cv.imread('./img/Udacity/calib/calibration1.jpg'), cv.COLOR_BGR2RGB)
showimg(img_cal_1, 'Kalibrierungsbild')
# Alle Pfade der Kalibrierbilder laden
calibration_paths = glob.glob('./img/Udacity/calib/*.jpg')
# Gefundene markante Punkte und Objektpunkte definieren
calib_points = []
obj_points = []
objp = np.zeros((6*9,3), np.float32)
objp[:,:2] = np.mgrid[0:9,0:6].T.reshape(-1,2)
# Für alle Kalibrationsbilder durchführen
for path in calibration_paths:
img = cv.cvtColor(cv.imread(path), cv.COLOR_BGR2RGB)
#Markante Eckpunkte finden und gegebenenfalls abspeichern
ret, points = cv.findChessboardCorners(img, (9, 6), None) #9 innere Kanten horizontal, 6 vertikal
if ret:
calib_points.append(points)
obj_points.append(objp)Kalibrierungsbild:
"""
# Funktion zur Berechnung der Kamerakalibrierung:
# Diese wird nur einmal zu Beginn durchgeführt um die Leistung zu erhöhen,
# danach wird mit der resultierenden Map jedes Frame geremappt und so entzerrt
"""
def calibrate():
size_1 = (1280,720) #Größe der Bilder definieren (schneller als automatische Erkennung)
#Kameraparameter berechnen
_, mtx, dist, _, _ = cv.calibrateCamera(obj_points, calib_points, size_1, None, None)
newcameramtx, roi = cv.getOptimalNewCameraMatrix(mtx, dist, size_1, 0, size_1)
#Map für Entzerrung berechnen
mapx, mapy = cv.initUndistortRectifyMap(mtx, dist, None, newcameramtx, size_1, 5)
#Region of interest bestimmen
x, y, w, h = roi
#Slices für höhere Performance vorberechnen
x = slice(x,x+w)
y = slice(y,y+h)
return mapx, mapy, x, y"""
# Funktion um einzelne Bilder mit berechneter Kalibrierung zu entzerren
"""
def undistort_image(img, mapx, mapy, x, y):
# Bild remappen, dabei keine (lineare oder kubische) Interpolation sondern nächstes Nachbarpixel verwenden,
# für bessere Performance
undist_img = cv.remap(img, mapx, mapy, cv.INTER_NEAREST)
# Auf ROI beschneiden
new_frame = undist_img[y, x]
return new_frame
# Beispielhaft an erstem Kalibrierungsbild durchgeführt
# Originalbild:
showimg(img_cal_1, 'Kalibrierungsbild original')
mapx, mapy, x, y = calibrate()
# Nach Kalibration, entzerrtes Bild:
img_cal_1_undistorted = undistort_image(img_cal_1, mapx, mapy, x, y)
showimg(img_cal_1_undistorted, 'Kalibriert und entzerrt')Kalibrierungsbild original:
Kalibriert und entzerrt:
Durch die Kameraperspektive wird die Krümmung der gefundenen Spurmarkierungen nicht der realen Fahrstreifenkrümmung entsprechen. Daher werden die Bilder aus der Kameraperspektive in eine Vogelperspektive, die der realen Fahrstreifenkrümmung entspricht, konvertiert.
"""
# Funktion um Transformationsmatrizen zwischen den Blickperspektiven zu berechnen
"""
def calc_perspective():
#Punkte im Originalbild
r_1 = [598,448]
r_2 = [684, 448]
r_3 = [1026, 668]
r_4 = [278, 668]
#Punkte aus Vogelperspektive (verbessert für Performance und Qualität)
t_1 = [250, 0]
t_2 = [980, 0]
t_3 = [980, 629]
t_4 = [250, 629]
#Array mit Punkten im Originalbild
input_points = np.float32([(r_1), (r_2), (r_3), (r_4)])
#Array mit Punkten in Vogelperspektive
output_points = np.float32([(t_1), (t_2), (t_3), (t_4)])
#Transformationsmatrix für Normalperspektive -> Vogelperspektive berechnen
M = cv.getPerspectiveTransform(input_points, output_points)
#Transformationsmatrix für Vogelperspektive -> Normalperspektiveberechnen
M_rev = cv.getPerspectiveTransform(output_points, input_points)
return M, M_rev"""
# Funktion um Perspektive auf Vogelperspektive zu transformieren und ROI
"""
def transform_perspective(curr_img, M):
# Region of interest (Himmel wegschneiden) (unnöttig wegen Perspektivtransformation)
#curr_img[0:400,:,:]=0
# Größe des Ergebnisbild bestimmen
curr_img_size = (curr_img.shape[1], curr_img.shape[0])
# Perspektive mit Transformationsmatrix M anpassen
new_warped_img = cv.warpPerspective(curr_img, M, curr_img_size, flags=cv.INTER_NEAREST)
return new_warped_imgErfüllte Aufgaben:
-
✔ Segmentierung: Schränken Sie das Bild auf den Bereich ein, in dem sich die Spurmarkierungen befinden
-
✔ Vorverarbeitung: Führen Sie eine Kamerakalibrierung (für Udacity-Bildquellen) und die Perspektivtransformation durch
-
✔ Farbräume, Histogramme: Erkennen Sie die Spurmarkierungen in den Farben der angegebenen Quellen. Sofern weitere Spurmarkierungen auf dem Bild gefunden werden, müssen diejenigen Spurmarkierungen priorisiert werden, die die eigene Fahrspur begrenzen
-
✔ Allgemeines: Die Verarbeitung von Bildern muss in Echtzeit stattfinden --> Ziel: > 20 FPS auf Referenzcomputer
-
✔ Allgemeines: Beschleunigen Sie die Verarbeitung durch weitere Maßnahmen weitere Maßnahmen überlegen (bspw. Erkennung der Spurmarkierung in den ersten Frames, Tracking der Spurmarkierung in weiteren Frames solange, bis sich Spurmarkierungspositionen zu stark ändern)
-
✔ Video: Relevante Spurmarkierungen werden im Video "project_video" durchgehend erkannt
-
✔ Zusätzliche Verbesserungen: Erarbeiten Sie weitere Maßnahmen zur Geschwindigkeitsverbesserung Ihres Algorithmus LÖSUNG: Caching von Bildern und Erkennung der Spurmarkierung in den ersten Frames, Tracking der Spurmarkierung in weiteren Frames solange, bis sich Spurmarkierungspositionen zu stark ändern
ANMERKUNG: Die Software wurde auf macOS Entwickelt. Eventuell muss auf Windows "cv.waitKey(1)" entfernet werden
def thresholding(frame):
"""
# Wendet einen farblichen Threshold auf das Bild an, um relevante Bildbereiche hervorzuheben.
# Der HSL-Farbraum wird verwendet, um Lightness besser anpassen zu können.
"""
# Verwendet HLS-Farbraum für bessere Selektierbarkeit
frame=cv.cvtColor(frame, cv.COLOR_RGB2HLS)
# Maske für gelbe Fahrbahnmarkierung
mask_yellow = cv.inRange(frame, (10, 28, 115), (38, 204, 255))
# Maske für weiße Linien
mask_white = cv.inRange(frame, (0, 195, 0), (255, 255, 255))
# Masken elementweise verodern, um kombinierte Maske zu bekommen
mask_comb=mask_yellow|mask_white
# Alle Bereiche, die nicht im gewünschten Farbbereich liegen, auf 0 setzen
frame[np.where(mask_comb==0)] = 0
global debug
if debug == 2:
cv.imshow("frame",frame)
return framedef line_extraction(frame):
"""
# Wendet den Laplace- Kantenfilter auf ein Bild @frame an.
# Entfernt in der Vorverarbeitung Bildrauschen.
"""
# Opening-Kernel zum entfernen von noise
opening_kernel=np.array([[0,1,0],[1,1,1],[0,1,0]], 'uint8')
# Anwenden von Opening-Kernel
frame = cv.morphologyEx(frame, cv.MORPH_OPEN, opening_kernel, iterations=1)
# Laplace Kantenfilter stellt besten Kompromiss aus Geschwindigkeit und Genauigkeit dar
frame = cv.Laplacian(frame[:,:,0], -1, ksize=7) #Bild filtern
return frame.astype(np.uint8)
#return frame[:,:,0].astype(np.uint8)def vertical_segmentation(frame, segment_count=3):
"""
# Vertiakle Segmentierung des Frames
# Hierbei wird das Bild in der vertikalen in @segment_count Bereiche unterteilt
# Für jeden Bereich werden folgende Schritte durchgeführt:
# 1. Histogram in diesem Bereich bilden
# 2. Finden einer X-Stellen an der das Bild unterteilt werden kann --> find_segmentation_middle
# 3.1 Für @return left_lane wird der gesamte Bereich rechts von der X-Stellen auf 0 gesetzt
# 3.2 Für @return right_lane wird der gesamte Bereich links von der X-Stellen auf 0 gesetzt
# Die Funktion erzeugt zwei Bilder wobei jeweills nur eine Fahrspur zu erkennen ist
# Die mehrfache Segmentierung ist bei steilen Kurven und vorallem S-Kurven notwendig
"""
# Array von X-Stellen an denen das Bild unterteilt
segmenter_lines=[]
# COPY um zwei seperate Bilder zu erzeugen
left_lane=frame.copy()
right_lane=frame.copy()
# Berechnung der Y-Koordinaten für die Unterteilung des Bildes
y=((frame.shape[0]-1)//segment_count)
# Über alle Bereiche iterieren
for line in range(0,segment_count):
# X-Stellen zwischen den beiden Fahrspuren finden
x=find_segmentation_middle(frame[line*y:(line+1)*y,:])
# X-Stelle zu Array hinzufügen
segmenter_lines.append(x)
# Alle Intensitätswerte links von der X-Stelle auf 0 setzten --> Nur rechte Fahrspur zu sehen
right_lane[(line)*y:((line+1)*y),0:x]=0
# Alle Intensitätswerte links von der X-Stelle auf 0 setzten --> Nur rechte Fahrspur zu sehen
left_lane[(line)*y:(line+1)*y,x:frame.shape[1]-1]=0
global debug
if debug == 3:
cv.line(frame,(x,(line)*y),(x,(line+1)*y),(255,0,0),2)
if debug == 3:
cv.imshow("frame",frame)
return left_lane, right_laneright=[]
left=[]def smooth_points(original,reference,left_la=True):
# Berechnung der Änderungsrate zwischen gespeicherten Polynom Gewichten und den neu berechneten Polynomgewichten
change_rate=1-(np.mean(np.abs(original-reference))*1.6) if 1-(np.mean(np.abs(original-reference))*1.6)>=0 else 0
# Variablen zum tracken des Fehlers
global right
global left
global debug
# Fehler für die Linke und Rechte Spur speichern
if left_la:
left.append(change_rate)
else:
right.append(change_rate)
if debug == 5:
return original
else:
return change_rate*original+(1-change_rate)*reference
#
def polyfit(frame, reference):
"""
# Findet ein Polynom zweiten Grades, dass die Fahrspuren so gut wie möglich als ganzrationale Funktion abbildet
# Diese Polynom wird in ein schwarzes BGR-Bild eingefügt und zurückgegeben
# Berechnet die Kurvenradien an den Extremstellen der Polynome links und rechts
"""
# Erzeugen eines leeren Bildes um die Polynome darin abzuspeichern
result=np.zeros(shape=(frame.shape[0],frame.shape[1],3),dtype=np.uint8)
# Die linke und rechte Fahrspur zerteilen --> left_lane=Bild von Linke Fahrspur (rechte Seite 0 gesetzt)
# --> right_lane=Bild von rechte Fahrspur (linke Seite 0 gesetzt)
left_lane,right_lane=vertical_segmentation(frame)
# Finden eines Polynoms 2. Grades, dass die linke Fahrspur beschreibt --> pl ist Polynom, max_val_l-> Extremstelle des Polynoms
points_left,p_l,max_val_l,koeff_left=poly(left_lane,2,reference[0])
# Finden eines Polynoms 2. Grades, dass die linke Fahrspur beschreibt --> pr ist Polynom, max_val_r-> Extremstelle des Polynoms
points_right,p_r,max_val_r,koeff_right=poly(right_lane,2,reference[1],False)
cv.polylines(result,np.int_([points_left,points_right]),isClosed=False,color=(255,0,0),thickness=25)
global debug
if debug == 4:
cv.polylines(frame,np.int_([points_left,points_right]),isClosed=False,color=(255,0,0),thickness=25)
cv.imshow("frame",frame)
# Kurvenradius berechnen
# Bildung der Ableitung der Polynome
pld=np.polyder(p_l)
prd=np.polyder(p_r)
# Berechnung des Kurvenradius linke Fahrspur an der Stelle max_val_l. (An der Extremstelle)
left_curv_rad = (1 + (pld(max_val_l)*2)*1.5) / np.absolute(np.polyder(pld)(max_val_l))
# Berechnung des Kurvenradius rechte Fahrspur an der Stelle max_val_r. (An der Extremstelle)
right_curv_rad = (1 + (prd(max_val_r)*2)*1.5) / np.absolute(np.polyder(prd)(max_val_r))
# Returnt das Bild, in das die Poylnome eingefügt wurden und die Kurvenradien
return result,left_curv_rad,right_curv_rad,koeff_left,koeff_right
def poly(frame,grad,reference,sd=True):
"""
# Berechnung des Polynoms für eine Fahrspur
# Berechnung des Minimums/Maximums (Extremstelle) des Polynoms
"""
# Lineare Achse für die diskrete Berechnung des Polynoms zweiten Grades
height_n=np.linspace(0,frame.shape[1],frame.shape[1])
# Finden der X,Y Koordinaten der Pixel die nicht null sind (Punkte zum Bilden des Polynoms)
(zeile,spalte)=np.nonzero(frame)
# Umrechnungsfaktor von Pixel auf Meter
x_m_per_pix=30/720
y_m_per_pix=3.7/700
# Berechne Polynomgewichte (3 Stück) um Funktion 2.Grades zu berechnen
polynom = np.polyfit(x_m_per_pix*zeile, y_m_per_pix*spalte, grad)
if reference is not None:
polynom=np.poly1d(smooth_points(polynom,reference,sd))
# Polynome in leeres Bild einzeichnen
# Berechnen einer Funktion aus den Gewichten --> yn2 = w2_2 * xn**2 + w2_1 * xn + w2_0
p = np.poly1d(polynom)
# Funktion X-Koordinaten in Abhängigkeit von y-Werten (gedrehtes Koordinatensystem und gespiegelt) x(y)
width_n=p(height_n)
# Finde die Extremstelle durch finden des minimalen Werts der Ableitung (Analytisch --> 0)
maxval=np.argmin(np.abs(np.polyder(p)(height_n)))
# return die Werte des Polynoms (Punktwolke die von dem Polynom beschrieben wird) über das gesamte Bild (Bird View)
return np.dstack(((1/y_m_per_pix)*width_n,(1/x_m_per_pix)*height_n)).astype(np.uint32),p,maxval,polynom
def find_segmentation_middle(frame):
"""
# Sucht in einem Histogramm für zwei Spurmarkierungen den Punkt, an dem das Bild am besten getrennt werden kann,
# um in jedem Bereich die vollständige Linie zu bewahren. Dazu wird das Bild spaltenweise aufsummiert, sodass
# sich zu jedem x-Wert ein kumulierter Helligkeitswert ergibt. Die Linien des Bildes stellen in dieser Form Hochpunkte des Histogramms dar.
# Um diese zu finden, wird sowohl von links als auch von rechts das Maximum im entstandenen Histogramm gesucht.
# Das Mittel der beiden so gefundenen x-Werte stellt die beste Segmentierung dar.
# @returns x-Wert, an dem das Bild segmentiert werden sollte.
"""
# Kernel für Faltung definieren (normiert auf eins)
kernel= np.ones(40)
kernel=kernel/40
# Kumulierte Summe über Spalten bilden
summe=np.sum(frame,axis=0)
# Peaks durch einfache Faltung entfernen
summe_smooth=np.convolve(summe,kernel,mode='same')
# Zentren der Peaks initialisieren
left_center = -1
right_center= -1
# Durch kumulierte Summe iterieren
for i, p in enumerate(summe_smooth):
# In der Hälfte aufhören, weil dann mit zwei Indizes (rechts, links) das gesamte Bild untersucht wurde
if i >= len(summe_smooth)//2:
break
# Wenn Maximum von links gefunden wird, linkes Zentrum auf Maximum setzen
if summe_smooth[i + 3] < p and p > summe_smooth[left_center]:
left_center = i
# Wenn Maximum von rechts gefunden wird, rechtes Zentrum auf MAximum legen
if summe_smooth[len(summe_smooth) - i - 4] < summe_smooth[len(summe_smooth) - i - 1] and summe_smooth[len(summe_smooth) - i - 4] > summe_smooth[right_center]:
right_center = len(summe_smooth) - i
# Wertebereich für Maxima manuell so einschränken, dass auch bei Fehlern keine Ausreißer entstehen
if right_center>frame.shape[1]-200:
right_center=frame.shape[1]-200
if right_center==-1:
right_center=frame.shape[1]//2
if left_center<200:
left_center=200
# Maxima von links und rechts mitteln, um optimale Segmentierung zu finden
segmenter_line = (left_center + right_center)//2
# Optimale Segmentierung zurückgeben
return segmenter_linedef retransform_and_merge(polys,frame,M):
"""
# Wendet die inverse Perspektivtransformation auf das Bild an, das die Polynome enthält @polys
# Die eingefärbten und retransformierten Polynome werden dann mit dem Originalbild @frame verbunden
"""
# wendet Perspektivtransformation auf Polynome an
polys=transform_perspective(polys,M)
# fügt die Polynome in das Originalbild ein und gibt dies zurück
return cv.addWeighted(frame,1,polys,3,0)def write_data(frame,left_curv_rad,right_curv_rad):
"""
# Schreibt den linken und rechten Kurvenradius auf das Originalbild.
# Formatierung:
# Left: <left_curv_rad> m
# Right: <right_curv_rad> m
"""
# Schreibe linken Kurvenradius
cv.putText(frame, f" Left: {left_curv_rad:.2f} m", (1000, 70), cv.FONT_HERSHEY_SIMPLEX, 1, (100, 255, 0), 1, cv.LINE_AA)
# Schreibe rechten Kurvenradius
cv.putText(frame, f" Right: {right_curv_rad:.2f} m", (1000, 140), cv.FONT_HERSHEY_SIMPLEX, 1, (100, 255, 0), 1, cv.LINE_AA)
return framedef pipeline(frame,M,M_rev,shortver=False, result=None,left_curv_rad=None,right_curv_rad=None,reference=(None,None)):
"""
# Kopiert übergebenes Frame und führt dann die notwendigen Schritte zur Linienerkennung durch, dazu gehören:
# Transformation auf Vogelperspektive, Thresholding, Linienexktraktion, Polynome fitten,
"""
org_frame=frame.copy()
(points_left,points_right) = reference
if not shortver: #Wenn lange Version
frame=transform_perspective(frame,M) #Auf Vogelperspektive konvertieren
global debug
if debug == 1:
cv.imshow("frame",frame)
frame=thresholding(frame) #Thresholding durchführen
frame=line_extraction(frame) #Linien extrahieren
result,left_curv_rad,right_curv_rad,points_left,points_right=polyfit(frame,reference) #Polynome in Bild legen
frame=retransform_and_merge(polys=result,frame=org_frame,M=M_rev) #Zurück in alte Perspektive konvertieren
frame=write_data(frame,left_curv_rad,right_curv_rad) # Daten zu Bild hinzufügen
return frame,result,left_curv_rad,right_curv_rad,points_left,points_right class MemoryThroughTime():
"""
# Speichert die Frames und Polynome des vorherigen Bildes
# Berechnet den Unterschied zwischen zwei Bildern
# Entscheidet anhand einem 'threshold' ob ein neues Polynom berechnet werden soll oder ob das Polynom
# des vorherigen Bildes verwendet werden kann
"""
lastframes = [None]
lastpolys= [None]
threshold = 9.0e7
right_curv_rad = [None]
left_curv_rad = [None]
points_left=[None]
points_right=[None]
# Replact
def replace(self, frame, poly, left_curv_rad, right_curv_rad,points_left,points_right):
"""
Ersetzt die Daten des vorherigen Frames mit den jetzigen
"""
frame=cv.cvtColor(frame,cv.COLOR_RGB2GRAY)
self.lastframes[0]=frame
self.lastpolys[0]=poly
self.left_curv_rad[0]=left_curv_rad
self.right_curv_rad[0]=right_curv_rad
self.points_left[0]=points_left
self.points_right[0]=points_right
def is_big_change(self,frame) -> bool:
"""
Entscheidet ob es sich um eine große Differenz zwischen dem vorherigen Bild und dem jetzigen handelt
"""
if(self.lastframes[0] is None):
return True
else:
frame=cv.cvtColor(frame,cv.COLOR_RGB2GRAY)
return self.threshold< np.sqrt(np.mean(np.square(np.sum(self.lastframes[0][0:400,:]-frame[0:400,:]))))
def get_data(self):
"""
Gibt die Daten des aktuell gespeicherten Frames zurück
"""
return self.lastpolys[0],self.left_curv_rad[0],self.right_curv_rad[0],self.points_left[0],self.points_right[0],def rundemo(input):
"""
# Führt alle Hauptschritte zum Lesen und Ausführen der Pipeline durch.
# Differenziert je nach Input nach Video und Bildverarbeitung
"""
# Berechne Perspektivtransformationen für projekt-video (normal und invers)
M,M_rev=calc_perspective()
# Wenn der übergebene Pfad ein Bild ist
if input.split(".")[-1].upper() == "JPG":
# Lies Bild ein
frame=cv.imread(input)
frame = cv.cvtColor(frame, cv.COLOR_BGR2RGB)
# Führe Pipeline auf Bild aus
frame,result,left_curv_rad,right_curv_rad,_,_ = pipeline(frame,M,M_rev)
frame = cv.cvtColor(frame, cv.COLOR_RGB2BGR)
# Zeige ERgebnisbild an
cv.imshow('frame', frame)
cv.waitKey(0)
cv.destroyAllWindows()
cv.waitKey(1)
# Wenn es sich um ein Video handelt
elif input.split(".")[-1].upper() == "MP4":
# Starte Videostream
vid = cv.VideoCapture(input)
# Initialwerte für FPS-Berechnung
prev_frame_time = 0
new_frame_time = 0
# Initialisiere Memory - Funktion
mem=MemoryThroughTime()
i=0
while True:
i+=1
# Neues Frame auslesen
ret, frame = vid.read()
# if ret False dann ist das Video vrobei
if ret == False:
break
# Von BGR zu RGB konvertieren
frame=cv.cvtColor(frame, cv.COLOR_BGR2RGB)
# Kameratransformationsmatrix auf das Frame anwenden, um Distortion zu entfernen
frame=undistort_image(frame,mapx,mapy,x,y)
# Wenn es einen großen Unterschied zwischen konsekutiven Frames gibt oder jedes zweite Bild
if mem.is_big_change(frame) or i%2==1:
# Führe Pipeline auf frame aus
_,_,_, points_left ,points_right=mem.get_data()
frame,result,left_curv_rad,right_curv_rad,points_left,points_right = pipeline(frame,M,M_rev, reference=(points_left ,points_right))
mem.replace(frame,result,left_curv_rad, right_curv_rad,points_left,points_right)
else:
# Ansonsten führe verkürzte Version der Pipeline mit Polynom aus vorherigem Frame aus
result,left_curv_rad,right_curv_rad,_,_=mem.get_data()
frame,result,left_curv_rad,right_curv_rad,points_left,points_right = pipeline(frame,M,M_rev,shortver=True,result=result,left_curv_rad=left_curv_rad,right_curv_rad=right_curv_rad)
# Zurück zu BGR konvertieren
frame=cv.cvtColor(frame, cv.COLOR_RGB2BGR)
# Zeige FPS an
font = cv.FONT_HERSHEY_SIMPLEX
# Zeit bei Beenden des Berechnungsschritts
new_frame_time = time.time()
#Jeden zweiten Schritt die FPS ausrechnen
if i%2==1:
fps = 1/(new_frame_time-prev_frame_time)*2.0
prev_frame_time=new_frame_time
# FPS umrechnen für Anzeige
fps = int(fps)
fps = str(fps)
# Schreibe FPS auf Hauptbild
cv.putText(frame, fps, (7, 70), font, 3, (100, 255, 0), 3, cv.LINE_AA)
# Zeige Frame an
global debug
if debug == 0 or debug == 5:
cv.imshow('frame', frame)
# Abbruch, wenn q gedrückt wird
if cv.waitKey(1) & 0xFF == ord('q'):
break
# Beenden, wenn Video zuende ist oder unterdrückt wird
vid.release()
cv.destroyAllWindows()
cv.waitKey(1)path_projectvid="./img/Udacity/project_video.mp4"
path_projectvid_challenge="./img/Udacity/challenge_video.mp4"
path_projectvid_challenge_hard="./img/Udacity/harder_challenge_video.mp4"
example_img='./img/Udacity/image004.jpg'
# debug0 --> fertiges Projekt
# debug1 --> Nach Perspektiv Transformation
# debug2 --> Nach Thresholding
# debug3 --> Segmentation der Fahrspuren
# debug4 --> Polynom in Bird View reingelegt
# debug5 --> OHNE line smoothing
debug=0
rundemo(input=path_projectvid)Demo_Cut.mp4
"""
# Funktion um Einzelbilder zu Verarbeiten
# Bilder mit beliebiger Taste weiterdrücken
"""
def detect(img, M, M_rev):
i = 1
img = cv.cvtColor(img, cv.COLOR_BGR2RGB) #Farbraum konvertieren
img = pipeline(img,i,M,M_rev) #Bild durch Pipeline für Erkennung
return img
imgs = glob.glob('./img/Udacity/*.jpg') #Pfade zur allen Einzelbildern ermitteln
M,M_rev=calc_perspective() #Transformationsmatrizen berechnen (Hin- und Rücktransformation)
#Für alle Bilder Erkennung durchführen und Bilder anzeigen
global debug
if debug ==0:
for i in range(0,len(imgs)):
rundemo(imgs[i])# Anzeigen der Change Rate zwischen den berechneten Polynomen
df= np.linspace(0,len(right),len(right))
df2= np.linspace(0,len(left),len(left))
plt.title("Linke Fahrspur Durchschnittlicher Koeffizientenfehler zwischen zwei Frames")
plt.plot(df,left)
plt.show()
plt.title("Rechte Fahrspur Durchschnittlicher Koeffizientenfehler zwischen zwei Frames")
plt.plot(df2,right)
plt.show()Linke Fahrspur Durchschnittlicher Koeffizientenfehler zwischen zwei Frames:
Rechte Fahrspur Durchschnittlicher Koeffizientenfehler zwischen zwei Frames:
- Andrik Seeger
- Eike Wobken
- Tom Schubert