在网页上识别上传视频中的车道线

题目：在网页上识别上传视频中的车道线目录TOC\o"1-3"\h\u第1章绪论 第1章绪论1.1选题背景随着网络和数学的发展，数字图像处理技术日新月异，飞快发展，这项技术也应用到各个领域中，车道线识别技术也是基于此发展开的。车道线识别技术在无人驾驶车辆的自主导航以及车辆的智能辅助驾驶系统中，准确提供道路信息至关重要。人们的生活水平普遍提高,汽车的使用也越来越普及,逐渐成为人们生活中必不可少的交通工具，这项技术也会在人们的生活中越来越普及。而且在现在的生活中，网络也是人们生活中必不可少少的一部分，它传播的信息量大，速度快，成为了人们生活中获取信息和知识的主要途径。因此，我想设计一个网站，让对车道线识别技术感兴趣的人可以直观的体会到这项技术。1.2国内外研究现状对于车道线识别技术，各国的研究者提出了各种各样的算法以实现结构性道路与非结构性道路的自动识别，主要利用道路特征来采用直线或曲线模型拟合。但是还存在两个问题解决的不好:第一个问题就是提出的算法的实时性不够强,无法满足车道线检测系统对实时性的要求;第二个问题就是检测的效果精确度不高,无法满足车道线检测系统对准确性的要求。另一方面，由于受到光照、阴影、遮挡、路面破损等干扰，加大了检测的难度。车道线识别研究的关键点是以高识别效率为基础提升系统抗干扰能力。顾兆伦学者[1]等人利用LSD方法提取车道线，但会因为环境干扰使识别不准确；齐志权学者[2]等人用样条曲线检测直线，但检测时间太长；王增才学者[3]等人的算法拟合模型简单，导致检测的准确率和实时性不高。每个学者的研究成果各有各的优缺点。1.3研究方法对于车道线识别的实现，我会去查阅相关论文、在网站论坛中查询资料、学习python语言还有学习opencv、numpy、moviepy等模块中的函数。对于网页设计，我会在网页论坛中查找相关资料、观看教学课程、学习Django框架和HTML/CSS。1.4结构安排接下来的毕业设计说明书将会分成六章，包括：相关知识与设计准备，需求分析说明书，系统总体设计，详细设计与实现，系统运行与测试，总结与展望。相关知识与设计准备中的内容是列举和解释了一些完成这个毕业设计需要用到的技术或者工具。需求分析说明书的内容是列举出这项毕业设计需要完成的任务和可行性分析。系统总体设计的内容是讲述如何将需求分析说明书中的任务完成，并且将其设计成一个完整的系统。详细设计与实现的内容是讲述如何具体的实现这项毕业设计。系统运行与测试的内容是讲述整个系统的完成情况与测试。总结与展望的内容就是对整个毕业设计的总结。第2章相关知识与设计准备2.1pythonPython是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。它可以应用于Web和Internet开发、人工智能、后端开发、软件开发、网络爬虫、桌面界面开发。它的特点有简单：Python是一种代表简单主义思想的语言。阅读一个良好的Python程序就感觉像是在读英语一样。它使你能够专注于解决问题而不是去搞明白语言本身。速度快：Python的底层是用C语言写的，很多标准库和第三方库也都是用C写的，运行速度非常快。可扩展性：如果需要一段关键代码运行得更快或者希望某些算法不公开，可以部分程序用C或C++编写，然后在Python程序中使用它们。可嵌入性：可以把Python嵌入C/C++程序，从而向程序用户提供脚本功能。2.2OpenCVOpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效,由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。该库也有大量的Python、JavaandMATLAB/OCTAVE（版本2.5）的接口。这些语言的API接口函数可以通过在线文档获得。如今也提供对于C#、Ch、Ruby,GO的支持。它应用于人脸识别、运动分析、动作识别、物体识别、机器视觉、汽车安全驾驶等。OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库（IntegratedPerformancePrimitives）得到更快的处理速度。2.3DjangoDjango是一个开放源代码的Web应用框架，由Python写成。采用了MTV的框架模式，即模型M，视图V和模版T。它最初是被开发来用于管理劳伦斯出版集团旗下的一些以新闻内容为主的网站的，即是CMS（内容管理系统）软件。并于2005年7月在BSD许可证下发布。这套框架是以比利时的吉普赛爵士吉他手DjangoReinhardt来命名的。Django是高水准的Python编程语言驱动的一个开源模型．视图，控制器风格的Web应用程序框架，它起源于开源社区。使用这种架构，程序员可以方便、快捷地创建高品质、易维护、数据库驱动的应用程序。这也正是OpenStack的Horizon组件采用这种架构进行设计的主要原因。另外，在Django框架中，还包含许多功能强大的第三方插件，使得Django具有较强的可扩展性第3章需求分析说明书3.1任务概述对于实现这个演示识别视频中车道线的网站，要完成以下几个任务：查阅相关论文，编写出可以识别视频中车道线的代码。利用Django框架设计出网页项目。以上就是该演示系统的任务所在。3.2需求分析3.2.1功能性需求根据对演示系统的分析，系统的功能包括前台的文件上传网页和视频展示网页以及后台的车道线识别程序1.实现网页调用python程序的功能。2.实现网页文件上传功能。3.实现网页上的视频展示功能。3.2.2非功能性需求该演示系统的运行环境为Windows10，OpenCV4.2.0，Django3.0.6，Python3.6；开发工具为PyCharm2019.2.5版本。3.3可行性研究OpenCV是一个开源、免费的计算机视觉库，它所包含的函数可以方便的实现数字图像和视频处理。它用C++语言编程，极大的提高了计算机的运行速度。OpenCV还提供了Python语言的接口[4]。因此可以使用OpenCV库中的函数来实现识别出视频中车道线的程序。Django是Python开发的开源网站框架，可以快速搭建高性能、好看的网站。Django框架遵循MVC（Modern，view，controler）开发模式，包含多种web开发组件，同时拥有一个独立的轻量级web服务器，为快速开发web应用提供帮助[5]。因此可以利用Django框架来进行网页项目的开发。第4章系统总体设计本阶段设计的目的是展示这个演示系统是如何实现的。本阶段根据系统分析产生的分析结果来确定系统由哪些模块组成，而这些模块又如何组合在一起，模块的功能又如何实现。4.1系统设计框架网页网页车道线识别模块前端用于上传文件和展示视频的网页后端用于处理视频的车道线识别模块图Django框架了解Django框架更加有利于我对于网页模块的开发。在Django中，views、urls、settings等等起着很关键的作用。它的业务流程如下：图.1Django框架工作原理在浏览器输入URL后回车，浏览器会判断URL使用的是那种协议。如果是HTTP协议，就以web处理，然后调用DNS解析，将域名转换成IP地址，然后经过网络传输到对应的web服务器。Web服务器收到请求后，对URL解析，然后调用view中的业务逻辑以及Model与数据库进行交互，再将数据发送到Templates进行渲染，最后发送到浏览器呈现给用户[6]。4.2.2Django的模块及功能urls.py：路由配置文件；URL模式以及该URL模式调用的视图函数之间的映射表。views.py：处理用户发来的请求，从urls.py中对应过来。使用Request对象和Response对象在系统间传递状态。templates文件夹：存放HTML模板，views.py中的函数可以将其渲染。settings.py：配置文件，用于设置静态文件的位置等。admin.py：网站后台管理相关操作。4.3物理结构设计本演示系统使用的开发工具是PyCharm。PyCharm是一种Python

IDE，带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制。此外，该IDE提供了一些高级功能，以用于支持Django框架下的专业Web开发。4.4运行环境本演示系统的运行环境是Windows10、Python3.6、OpenCV4.2.0、Django3.0.6。\t"/item/Windows%E6%93%8D%E4%BD%9C%E7%B3%BB%E7%BB%9F/_blank"MicrosoftWindows操作系统是美国\t"/item/Windows%E6%93%8D%E4%BD%9C%E7%B3%BB%E7%BB%9F/_blank"微软公司研发的一套操作系统。Windows采用了图形化模式GUI，比起从前的Dos需要输入指令使用的方式，更为人性化。Python是解释型语言，适用于多个平台，可以运行在Windows、MAC和各种Linux/UNIX系统上。OpenCV是一个基于BSD许可发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。Django是用Python开发的一套开源代码的web框架。Django是一套组件，能够快速高效的开发web应用。综上所述，系统选用Windows10、Python、OpenCV、Django为软件配置方案。详细设计与实现详细设计的目标是确定怎样具体的实现所要求的系统。在得出目标系统的精确描述后，在编码阶段可以吧这个翻译成程序设计语言。5.1车道线识别车道线识别主要包括图像预处理、canny算子边缘提取、霍夫变换检测直线、直线拟合、得到车道线图像。以下是车道线识别的流程图：图.2图像预处理我的图像预处理包括图像灰度化和图像降噪。灰度图，GrayScaleImage或是GreyScaleImage，又称灰阶图。把白色与黑色之间按对数关系分为\t"/item/%E7%81%B0%E5%BA%A6%E5%9B%BE/_blank"若干等级，称为灰度。灰度分为256阶。图片在我们眼中和在计算机中是完全不同的，它在计算机中是以矩阵的方式储存的，因此可以把矩阵的坐标和值看成为一个函数。从函数图像中可以看出灰度图片中的特点。摄像头拍摄的图像为彩色RGB图片，其描述的颜色不是完全的直观、在视觉上也是不均匀的。而且灰度图像中车道线与路面背景差别较大，系统可以快速完整地提取车道线。灰度化处理有两种方法[7]：平均值法和加权平均法。因为平均值法中信息损失较大，所以选择加权平均值法将图像灰度化。代码如下：pic_hui=cv2.cvtColor(pic,cv2.COLOR_RGB2GRAY)图像降噪要用到高斯滤波。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波后图像被平滑的程度取决于标准差。它的输出是领域像素的加权平均，同时离中心越近的像素权重越高。因此，相对于均值滤波（meanfilter）它的平滑效果更柔和，而且边缘保留的也更好。代码如下：pic_gaosi=cv2.GaussianBlur(pic_hui,(11,11),0.0)5.1.3canny边缘检测边缘检测是图形处理中的有用的工具，它主要是基于图像梯度，图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导，梯度方向是多元函数值变化最快的方向。梯度对图片中的噪声很敏感，高斯滤波可以平滑图像。所以，canny边缘检测算法的步骤是：1.高斯模糊；2.计算梯度幅值和方向；3.非最大值抑制；4.用双阈值算法检测和边缘连接。还有，想在边缘检测中检测出来的所有边缘中找出特定的边缘就还需要其它处理。Canny边缘检测定位准确，边缘连续性比Roberts、Sobe、Prewitt、Laplace等算法优秀，边缘相应好，抗干扰性强，噪声小[8]。代码如下：pic_can=cv2.Canny(pic_gaosi,90,180)5.1.4感兴趣区域提取ROI划分感兴趣区域可以限定和缩小处理的需要范围。将其它区域不相关的特征干扰去除，减少运算量和运行时间。在车道线检测的过程中，要集中关注路面主要信息，一般是在图片下方，通过设置感兴趣区域可以减少其它干扰信息和不必要的工作量。ROI车道线检测[9]使得车道线检测的过程更加快速简单，具有针对性。我使用的方法是先设计一个与输入图像的矩阵维度一样的、其内的值全为0的矩阵，然后设计一个存入了感兴趣区域的四个顶点的坐标的数组，再用fillPoly填充图像，最后使用bitwise_and函数对图像的每个像素进行与操作，得到感兴趣区域。代码如下： p_data=np.zeros_like(pic_can)

spot=np.array([[233,681],[621,409],[648,408],[1090,668]])

cv2.fillPoly(p_data,[spot],255)

pic_can_roi=cv2.bitwise_and(pic_can,p_data)5.1.5霍夫变换直线检测[10]在自动化分析数位图片的问题里，其中一个常有的子问题是侦测某些简单的\t"/item/%E9%9C%8D%E5%A4%AB%E5%8F%98%E6%8D%A2/_blank"直线、\t"/item/%E9%9C%8D%E5%A4%AB%E5%8F%98%E6%8D%A2/_blank"圆形、\t"/item/%E9%9C%8D%E5%A4%AB%E5%8F%98%E6%8D%A2/_blank"椭圆形。而霍夫变换就是将\t"/item/%E9%9C%8D%E5%A4%AB%E5%8F%98%E6%8D%A2/_blank"直线、\t"/item/%E9%9C%8D%E5%A4%AB%E5%8F%98%E6%8D%A2/_blank"圆形、\t"/item/%E9%9C%8D%E5%A4%AB%E5%8F%98%E6%8D%A2/_blank"椭圆形转换到对应的参数空间。在车道线识别中，先使用canny算法求出边缘，在边缘上的点经过霍夫变换画出直线，并设计一个累加计数器，直线经过这个点时，这个点的累加计数器加一，最后较大的几个累加计数器的点为直线。概率霍夫变换有效的防止了直线误识和识别错误等问题。概率霍夫变换能更好的检测出图像中直线的两个端点，确切的定位出图像中的直线，优于标准活肤直线变换[11]。代码如下：lanes=cv2.HoughLinesP(pic_can_roi,1,npy.pi/180,15,minLineLength=20,maxLineGap=20)5.1.6其它函数defprocess_pic(self,pic):此函数中包含了图像灰度化函数、高斯滤波图像降噪函数、canny边缘检测函数、感兴趣区域提取ROI、霍夫变换直线检测函数以及画出车道线的函数draw_lanes。defwipe_lanes(lines,threshold):此函数的作用是去除大于阈值threshold的线段。他首先计算出线段的斜率，然后计算出斜率的平均值，接着计算差值，找出差值最大的下标，如果下标对应的差值大于阈值threshold，就删除该线段。defmatch_lane_spot(self,point_list,y_start,y_end):此函数用于拟合直线，计算车道线端点。通过一次函数拟合fit=np.polyfit(y,x,1)，得到fit，其值为（k，b）；然后通过fit_fn=np.poly1d(fit)，得到x=ky+b。因此，此函数的功能是输入线段起始点的y轴坐标和结束点的y轴坐标，返回的是线段起始点的（x，y）坐标和结束点的（x，y）坐标。defdraw_lanes(self,pic,lanes,color=[250,0,254]):此函数是用来画车道线的。首先根据斜率分出左右线段；然后利用上文提到的wipe_lanes函数去除斜率差异过大的函数，其阈值threshold为0.1；再进行直线拟合；接着利用上文提到的match_lane_spot函数计算车道线端点，最后以矩形的形式拟合。defmainhandler(self,inputfile,outputfile):因为整个车道线检测程序被定义为类，所以其他的Python程序可以通过import这个车道线检测的类，然后调用其中的mainhandler函数来处理视频中的车道线。这个函数里面包含了process_pic函数。因此，所以函数的逻辑关系如下图：图利用Django框架进行Web开发Django是一个开放源代码的Web应用框架，由Python写成。采用了MVT的框架模式，即模型M，视图V和模版T。它最初是被开发来用于管理劳伦斯出版集团旗下的一些以新闻内容为主的网站的，即是CMS（内容管理系统）软件。并于2005年7月在BSD许可证下发布。Web框架是一个Web网站模板，按照它给定的规则，“填空”或“修改”成你所需的样子。在Django中，urls、orm、static、settings等起着重要作用。模板在Python的Web开发中广泛使用，它能够有效地将业务逻辑和页面逻辑分开，使代码可读性增强、并且更加容易理解和维护。模板，简而言之，就是一个包含占位符表示动态内容的文件，模板文件在经过动态赋值后，返回给用户，称之为渲染。Django默认模板引擎有很多局限性，最明显的就是四则运算。就只能加减，乘除都不支持。另外还有判断相等，不能直接if，要用ifequal。确实不太方便。还有，Django默认模板引擎很慢。从Django1.8开始，支持第三方模板引擎，可以配置得到。利用Django框架开发Web的流程图如下：图.1创建项目打开pycharm，在File选择NewProject，创建一个名字为lane的Django项目。在ProjectInterpreter里选择Existinginterpreter，其中Interpreter的路径选择为.../python.exe。不然项目会无法运行。5.2.2创建APP 在每个Django项目中可包含多个APP，所有APP共享项目资源。在pycharm下方的Terminal终端中输入命令：pythonmanage.pystartappcdxjc，就创建了一个名字为cdxjc的APP了。还要在与项目名同名的文件夹lane下的settings.py文件中找到INSTALLED_APPS，在其中添加新的应用’cdxjc’。5.2.3编写路由映射文件urls.py打开与项目名同名的文件夹lane下的urls.py文件，写下如下代码： fromcdxjcimportviews

urlpatterns=[

url(r'^admin/',admin.site.urls),

url(r'^index/',views.index),

] 它们的作用分别是导入cdxjc应用的views文件；后台url映射的处理函数；用户自定义的url映射的处理函数。5.2.4编写文件views.py并返回HTML页面打开APP文件夹cdxjcx下的views.py文件，编写如下代码： fromdjango.shortcutsimportrender fromdjango.shortcutsimportHttpResponse

defindex(request):

returnrender(request,'index.html')request参数是用来封装用户的请求信息；利用HTTPResponse类封装可以返回字符串；利用render类封装可以返回HTML网页。 然后在templates目录里创建index.html页面；接着要设置settings.py文件，这是为了让Django知道HTML文件在哪里。打开与项目名同名的文件夹lane下的settings.py文件，找到TEMPLATES，在里面添加代码'DIRS':[os.path.join(BASE_DIR,'templates')]。 5.2.5运行Web服务器 在pycharm下方的Terminal终端中输入命令：pythonmanage.pyrunserver:8000。然后打开浏览器，访问http：//:8000/index，就可以访问我所写的网页了。 5.2.6使用静态文件在lane项目下创建static文件夹，在创建子目录用于存放各种静态文件，为之后的文件上传功能做铺垫。在static文件夹中放入图片或视频，然后要设置settings.py文件，设置静态文件所在目录，代码如下： STATIC_URL='/static/'

STATICFILES_DIRS=[

os.path.join(BASE_DIR,"static")

]然后在HTML文件中适当地位置写下静态文件对应的URL，就可以在页面上展示了。以上就是基于Django的Web开发，利用Django框架创建了高品质、易维护的Web应用程序；提高了开发效率，便于系统的更新和维护。5.3实现文件上传和处理视频功能在index.html文件中编写一个表单form，其各项属性如下： <formaction="/index/"method="post"enctype="multipart/form-data"class="formbd">

{%csrf_token%} 因为这个表单传输的数据要交由views.py中的index函数处理，所以action中的访问地址为”/index/”，由urls.py进行路由映射。multipart/form-data属性，不对字符编码，在使用包含文件上传控件的表单时，必须使用该值。{%csrf_token%}是为了防止出现403跨域攻击问题。还要在表单中写入两个input，一个type为file，另一个为submit。然后在cdxjc文件夹下的views.py文件中扩写defindex(request)函数。当request.method为post时，利用request.FILE.get函数获取上传的文件；然后利用os.path.join函数记下文件的存储路径filepath和文件输出路径outputfile，前面一个变量是在上传文件时使用，后面一个变量是在处理完上传视频后将其储存在静态文件中要使用到。接着利用chunks函数将文件分块读取，加载到内存。最后用import将车道线检测程序导入，然后使用其中的函数，即mainhandler(filepath,outputfile)。这样车道线检测程序就可以处理储存在静态文件夹中的视频并且也将输出的视频写到静态文件夹中，方便之后在页面上展示。5.4网页展示在cdxjc文件夹下的views.py文件中编写index(request)函数，当request.method值为post时，返回render(request,’show.html’)。在show.html页面中展示已经被车道线检测程序处理好的视频，路径就是src=”/static/images/video.mp4”。第6章系统运行与测试在这是开发的最后一个阶段，按照实施方案完成一个可以实际运行的演示系统。这部分包含对系统的测试，采用合适的测试方法，设计适当的测试用例，以及测试结果及分析。6.1车道线识别程序测试车道线识别程序是这个系统中最重要的模块，我将输入图片，先测试车道线识别程序处理图片的功能。依次测试图像灰度化（图6.1.1）、图像降噪（图6.1.2）、canny边缘检测（图6.1.3）、感兴趣区域提取ROI（图6.1.4）、霍夫变换直线检测（图6.1.5）、图像拟合的功能（图6.1.6）。图6.1.1图6.1.2图6.1.3图6.1.4图6.1.5图6.1.6表6.1.1车道线识别程序处理图片试用例用例测试：测试车道线识别程序处理图片的各项能力测试项：图像灰度化、图像降噪、canny边缘检测、ROI、霍夫变换直线检测、图像拟合环境要求：Windows10和Python3.6步骤：用pycharm打开车道线识别程序用cv2.imshow函数展示需要展示的图片运行此程序查看结果期望结果：测试项的每项功能都能顺利完成然后再测试车道线识别程序处理视频的功能，输入原版视频后看看输出视频的效果如何。以下测试显示的是在原版视频的第6秒处（图6.1.7）和处理后的视频的第6秒处（图6.1.8）的效果展示。图6.1.7图6.1.8表6.1.2车道线识别程序处理视频试用例用例名称：测试车道线识别程序处理视频的能力测试项：原版车道线视频环境要求：Windows10和Python3.6步骤：在程序规定好的目录下存入原版视频project_video用pycharm打开车道线识别程序运行程序后在程序写好的输出路径下找到处理后的视频video期望结果：可以识别出原版视频中的车道线6.2网页测试网页项目是这个系统重要的展示部分，它由上传文件功能与调用车道线检测程序处理视频后将其展示在网页上的功能。首先测试web服务器能否正常运行。在pycharm的terminal中输入命令pythonmanage.pyrunserver/8000，测试服务器能否正常运行。在pycharm的终端中显示服务器已运行（图6.2.1），在浏览器中可以访问网页（图6.2.2）图6.2.1图6.2.2表6.2.1web服务器运行测试用例用例名称：测试web服务器能否正常运行测试项：index.html网页环境要求：Windows10、Python3.6和Chrome步骤：打开pycharm运行web项目打开浏览器，访问:8000/index期望结果：在pycharm里显示可以运行，在浏览器中可以访问网页然后测试在网页上上传文件和调用车道线检测程序处理视频后将其展示在网页上的功能。在网页上选择要上传的视频文件（图6.2.3），等待后台处理后（图6.2.4）就可以在网页上展示了（图6.2.6）。图6.2.5是已经将上传文件和处理后的文件存在了静态文件夹中。图6.2.3图6.2.4图6.2.5图6.2.6表6.2.2文件上传、处理视频、展示视频测试用例用例名称：测试文件上传、处理视频、展示视频的功能测试项：原版视频、index.html、show.html环境要求：Windows10、Python3.6和Chrome步骤：打开pycharm运行网页项目打开浏览器，访问:8000/index选择视频文件后上传点击上传按钮后跳转到展示用网页期望结果：文件可以上传，储存到静态文件夹；车道线检测程序可以被调用，将处理后的视频也储存到静态文件夹；展示用网页可以正常展示处理后的视频。第7章总结与展望在开题报告时选择的题目是《基于车道线识别的车辆变道预警》，但是在毕业设计的完成过程中发现，我所写的车道线识别程序中识别车道线的精确度不足以