《人工智能导论》大实验（选题三：道路识别综合实践）

大实验（选题三：道路识别综合实践）一、实验目的1、理解传统道路识别的4个核心模块：预处理→特征提取→几何分析→后处理；2、能够采用传统OpenCV实现道路识别；3、理解百度飞桨（PaddlePaddle）结合OpenCV的道路识别技术方案：“数据驱动+传统优化”的混合架构；4、理解深度学习与传统视觉融合的应用方法；5、能够采用百度飞桨（PaddlePaddle）结合OpenCV实现道路识别。二、实验内容任务一：使用传统OpenCV实现道路识别1.实验环境安装。（1）安装Python。（2）安装库。pipinstallopencv-pythonnumpy2.配置开发环境（1）若使用PyCharm：创建新项目时选择已安装的Python解释器。（2）若使用命令行：无需额外配置，确保Python已添加到系统环境变量。3.使用OpenCV库实现结构化道路环境的道路识别。具体步骤和参考代码如下：#（1）图像采集与预处理importcv2importnumpyasnp#视频源设置cap=cv2.VideoCapture('road.mp4')width,height=640,480#建议分辨率whilecap.isOpened():ret,frame=cap.read()ifnotret:break#尺寸归一化frame=cv2.resize(frame,(width,height))#光照补偿（CLAHE）lab=cv2.cvtColor(frame,cv2.COLOR_BGR2LAB)l,a,b=cv2.split(lab)clahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))limg=clahe.apply(l)enhanced=cv2.merge((limg,a,b))rgb=cv2.cvtColor(enhanced,cv2.COLOR_LAB2BGR)#（2）道路特征提取#车道线特征增强gray=cv2.cvtColor(rgb,cv2.COLOR_BGR2GRAY)blur=cv2.GaussianBlur(gray,(5,5),0)#边缘检测（参数需调优）edges=cv2.Canny(blur,50,150,apertureSize=3)#色彩阈值分割（沥青路面）hsv=cv2.cvtColor(rgb,cv2.COLOR_BGR2HSV)lower_asphalt=np.array([90,50,50])upper_asphalt=np.array([120,255,255])mask=cv2.inRange(hsv,lower_asphalt,upper_asphalt)#（3）几何分析与车道检测#透视变换（示例坐标需校准）src_pts=np.float32([[width*0.45,height*0.65],[width*0.55,height*0.65],[width*0.9,height*0.9],[width*0.1,height*0.9]])dst_pts=np.float32([[0,0],[width,0],[width,height],[0,height]])M=cv2.getPerspectiveTransform(src_pts,dst_pts)warped=cv2.warpPerspective(edges,M,(width,height))#霍夫变换检测直线lines=cv2.HoughLinesP(warped,1,np.pi/180,threshold=30,minLineLength=40,maxLineGap=20)#车道线拟合left_lines,right_lines=[],[]forlineinlines:x1,y1,x2,y2=line[0]k=(y2-y1)/(x2-x1+1e-5)ifk<-0.5:left_lines.append(line)elifk>0.5:right_lines.append(line)#（4）后处理与可视化#绘制检测结果line_img=np.zeros_like(frame)forlineinleft_lines+right_lines:cv2.line(line_img,tuple(line[0][:2]),tuple(line[0][2:]),(0,255,0),3)#逆透视变换还原Minv=cv2.getPerspectiveTransform(dst_pts,src_pts)lane_img=cv2.warpPerspective(line_img,Minv,(width,height))result=cv2.addWeighted(frame,0.8,lane_img,1.0,0)#显示处理流程debug=np.hstack([frame,cv2.cvtColor(edges,cv2.COLOR_GRAY2BGR),result])cv2.imshow('Debug',debug)ifcv2.waitKey(1)&0xFF==ord('q'):break任务二：采用百度飞桨结合OpenCV实现道路识别1.实验环境安装（1）安装Python。（2）安装核心库。pipinstallpaddlepaddleopencv-pythonpaddlehub2.配置开发环境（1）若使用PyCharm：创建新项目时选择已安装的Python解释器。（2）若使用命令行：无需额外配置，确保Python已添加到系统环境变量。3.使用百度飞桨（PaddlePaddle）结合OpenCV实现道路识别具体步骤和参考代码如下：#（1）数据预处理（OpenCV）importcv2importnumpyasnpdefpreprocess(frame):#透视变换获取鸟瞰图src_pts=np.float32([[580,460],[700,460],[1040,680],[260,680]])dst_pts=np.float32([[300,0],[950,0],[950,720],[300,720]])M=cv2.getPerspectiveTransform(src_pts,dst_pts)warped=cv2.warpPerspective(frame,M,(1280,720))#自适应光照补偿lab=cv2.cvtColor(warped,cv2.COLOR_BGR2LAB)l,a,b=cv2.split(lab)clahe=cv2.createCLAHE(clipLimit=3.0,tileGridSize=(8,8))limg=clahe.apply(l)processed=cv2.merge((limg,a,b))returncv2.cvtColor(processed,cv2.COLOR_LAB2BGR)#（2）飞桨模型部署pythonimportpaddlehubashub#加载预训练模型model=hub.Module(name='lanesnet')#或自定义模型#frompaddle.vision.modelsimportresnet50#model=resnet50(pretrained=True)defpaddle_inference(img):input_tensor=paddle.to_tensor(img.transpose(2,0,1)[np.newaxis,...])outputs=model(input_tensor)returnoutputs.numpy()#（3）融合处理核心代码cap=cv2.VideoCapture('road.mp4')whilecap.isOpened():ret,frame=cap.read()ifnotret:break#OpenCV预处理processed=preprocess(frame)#飞桨模型推理mask=paddle_inference(processed)#后处理contours,_=cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)forcntincontours:cv2.polylines(frame,[cnt],True,(0,255