基于 YOLOv8 的智能压线检测系统
该项目是一个基于 YOLOv8 的智能压线检测系统，专为自动驾驶和智能交通领域设计，结合国产大算力芯片地平线 X3 派，可实现对车道线的高精度识别和实时监测，通过分析行车记录仪影像及环境条件判断车辆是否压线，为自动驾驶提供安全保障，并支持违规和罚款记录查询。
项目特点
- 高精度检测：采用 YOLOv8 目标检测算法，车辆检测准确率达 94.5%。
- 实时性能：优化算法设计，支持实时视频分析。
- 自适应能力：可适应不同天气、光照和道路条件。
- 模块化架构：系统设计便于扩展和维护。
系统功能
安装指南
- 克隆仓库：git clone https://github.com/yourusername/lane-crossing-detection.git 并进入该目录。
- 安装依赖：pip install -r requirements.txt。
- 下载预训练模型：运行 python -c "from ultralytics import YOLO; YOLO('yolov8n.pt')" 自动下载 YOLOv8n 模型。
使用方法
- 图片检测：python detect_image.py –image path/to/your/image.jpg。
- 视频分析：python detect_video.py –video path/to/your/video.mp4。
- 图形界面：python interaction.py 启动基于 Tkinter 的现代化 GUI，进行文件选择和结果展示等操作。
- 车辆检测模块（car_position_detector.py）：基于 YOLOv8n 模型，支持透视变换，输出车辆位置信息。
- 车道线检测模块（lane_line_detector.py）：基于 Canny 边缘检测和 Hough 变换，进行自适应区域选择和车道线数学拟合。
- 压线判断模块（line_cross_judger.py）：通过点到线距离计算、多点多线检测和阈值自适应调整判断是否压线。
- 交互界面模块（interaction.py）：提供基于 Tkinter 的现代化 GUI，支持文件选择和结果展示等多种操作模式。
技术细节
- 图像预处理：进行尺寸调整、噪声过滤、区域裁剪。
- 车辆检测：运用 YOLOv8 目标检测，提取边界框并转换位置坐标。
- 车道线检测：经过灰度化处理、Canny 边缘检测、Hough 变换直线检测和多项式拟合。
- 压线判断：计算关键点到车道线距离，进行阈值比较后输出结果。
常见问题
- 系统推荐图像分辨率为 640×480 或更高，支持自动缩放，但极低分辨率会影响准确性。
- 系统在正常白天光线条件下表现最佳，弱光和夜间场景需预处理增强。
- 提高检测准确率可通过使用更高分辨率图像、调整检测阈值参数、在相似场景下微调模型等方式。
- 实时检测最低硬件要求为 CPU Intel i5 8 代或同等性能、RAM 8GB 以上，GPU NVIDIA GTX 1050 或更高（可选）。
