使用單一攝影機進行障礙物偵測

1. 光流法 (Optical Flow)

你可以使用光流法來分析畫面中的物體運動，以判斷是否有障礙物。

方法：

• 計算連續影格之間的 稠密光流 (Dense Optical Flow) 或 稀疏光流 (Sparse Optical Flow)。
• 分析光流向量的大小和方向：
  • 如果某些區域的光流向量變小或完全靜止，而其他區域仍有明顯運動，這可能代表前方有固定障礙物。
  • 如果某些光流向量異常增大或出現明顯的擠壓 (motion compression)，則可能是接近的障礙物。
• 可使用 Lucas-Kanade Optical Flow 或 Farneback Optical Flow 來計算光流。

程式範例：

import cv2
import numpy as np

cap = cv2.VideoCapture(0)
ret, prev_frame = cap.read()
prev_gray = cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    flow = cv2.calcOpticalFlowFarneback(prev_gray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0)

    magnitude, angle = cv2.cartToPolar(flow[..., 0], flow[..., 1])
    
    hsv = np.zeros_like(frame)
    hsv[..., 1] = 255
    hsv[..., 0] = angle * 180 / np.pi / 2
    hsv[..., 2] = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)
    bgr = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

    cv2.imshow("Optical Flow", bgr)
    prev_gray = gray

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
    

2. 影像梯度與光流結合

除了光流法，你也可以使用邊緣偵測來提升障礙物偵測準確度。

方法：

• 計算 Sobel 邊緣檢測 或 Canny 邊緣檢測 來提取場景中的特徵邊緣。
• 分析邊緣區域的光流變化：
  • 若某個區域的邊緣幾乎不變，但光流顯示該區域正在接近，則可能是障礙物。
  • 如果場景邊緣密度變化不大，而光流發散（divergence of optical flow）增加，可能代表前方有物體快速接近。

程式範例：

edges = cv2.Canny(gray, 50, 150)
cv2.imshow("Edges", edges)
    

3. 深度估算 (Monocular Depth Estimation)

如果希望更準確地估算障礙物距離，可以使用 單目深度估算（如 MiDaS 模型）來計算深度資訊。

4. 當障礙物檢測到時的應對策略

• 簡單規則法則： 若光流變化異常，則讓車輛減速或停止。
• 地圖構建 (SLAM)： 記錄環境資訊，讓車輛嘗試繞過障礙物的路徑。

結論

你可以透過 光流法 來偵測物體的運動，並結合 邊緣偵測 或 深度估算 來提升準確度。當障礙物被偵測到時，車輛可以做出適當反應，如減速、停止或規劃繞行路線。