1 项目介绍

2 展示图像

2.1 park_test

2.1.1 导入库

2.1.2 读取测试数据

2.1.3 读取模型与视频

2.1.4 定义分类

2.1.5 show_images()

2.2 Parking

2.2.1 导入库

2.2.2 show_images()

3 图像预处理

3.1 park_test

3.1.1 img_process()

3.2 Parking

3.2.1 select_rgb_white_yellow()

3.3 park_test

3.3.1 img_process()

3.4 Parking

3.4.1 select_region()

3.4.2 filter_region()

3.4.3 select_region()

3.5 park_test()

3.5.1 img_process()

3.6 Parking

3.6.1 draw_lines()

3.7 park_test

3.7.1 img_process()

3.8 Parking

3.8.1 identify_blocks()

3.9 park_test

3.9.1 img_process()

3.10 Parking

3.10.1 draw_parking()

3.11 park_test

3.11.1 img_process()

4 获取数据

4.1 Parking

4.1.1 save_images_for_cnn()

4.2 park_test

4.2.1 img_process()

5 训练模型代码 train.py

5.1 导入库

5.2 定义两个变量

5.3 确定训练集图片数量与测试集数量

5.3.1 训练集

5.3.2 测试集

5.3.3 显示训练集与测试集照片个数

5.4 定义训练所需参数

5.5 使用VGG模型

5.6 减少层

5.7 改变输出层

5.8 新建神经网络

5.9 编译神经网络

5.10 图像增强

5.11 数据集合

5.12 定义训练节点

5.13 定义提前中止该轮训练

5.14 训练

5.15 保存

6 读取模型

6.1 Park_test

6.1.1 keras_model()

7 图像预测

7.1 Park_test

7.1.1 img_test()

7.2 Parking

7.2.1 predict_on_image()

7.2.2 make_prediction()

7.2.3 predict_on_image()

8 视频预测

8.1 Park_test

8.1.1 video_test()

8.2 Parking

8.2.1 predict_on_video()

9 项目总结

9.1 流程图

9.2 新了解的方法

1 项目介绍

我现在有这样一个停车场的航拍视频parking_video,mp4

处理视频与处理视频一样，就是把视频的每一帧抽出来然后处理图像

我们现在做三个事情

停车场一共有多少车位被占据
停车场一共有多少车位没被占据
标识出没有被占据的停车位

结果是这样的，我们可以看到也不是特别准，这个是因为我数据量不够，如果增加数据量会有更好的效果

由于我们要处理视频，这个项目对计算机的算力是有要求的，像我这个机器是NVIDIA GeForce GTX 970M,是无法让这个视频实时判定的(会卡，但是如果够耐心也可以走完)

我们这个项目一共有三个py文件

train.py会训练出模型carl.h5供park_test使用

Parking中定义了一个工具类，其中有若干种方法供park_test使用

2 展示图像

2.1 park_test

2.1.1 导入库

Parking是上面提到的提供方法的Py文件，pickle是存储文件用的，这个用的时候再提

之后我们就从main来分析

2.1.2 读取测试数据

我们的测试数据一共有两张图片

2.1.3 读取模型与视频

我们此时还没有模型，下面会进行训练，但是不影响在这里定义，因为weights_path现在只是一个字符串

2.1.4 定义分类

我们的分类是字典形式的

2.1.5 show_images()

实例化工具类后调用工具类种的show_images()方法

2.2 Parking

2.2.1 导入库

2.2.2 show_images()

定义工具类后定义show_images函数，参数为输入的图像与camp，camp是颜色映射，在这里我们没有使用，我们在主函数中只传入了两张图像

之后我们确认列与行，cols是列，row是行，由于我们只有两张图，计算出来是1行2列

将图片大小改变为15*12

对两张图片进行枚举，之后放在指定的位置

enumerate的序号是从0开始的，需要+1才能放到指定的位置上，我举一个例子plt.subplot(1,2,1),这个的意思是按照1行2列排好，然后将该图放到1的位置上

进行判定，如果图像的shape长度为2(图像是灰度图),那么camp置为gray，否则保持不变，我们这里图像不是灰度图，所以camp还是None,我们print出来看一下

由于是两张图所以会出现两个None

将图绘制出来，不设置横纵坐标

把图像拉大填充至整个图像区域，pad是图像距离图像区域两侧的边距，h_pad是填充后图像之间的纵向间距，w_pad是填充后图像之间的横向间距，拉大后展示出来

如果不加入tight_layout的话会是这样

加入后是这样

3 图像预处理

3.1 park_test

之后回到主函数

3.1.1 img_process()

这个是我们主函数的方法

在img_process()中的第一步调用了park中的select_rgb_white_yellow的方法

3.2 Parking

3.2.1 select_rgb_white_yellow()

首先定义lower和upper两个阈值

之后我们使用inRange函数，inRange会筛选掉我们不像要的颜色，如果低于低阈值则将像素点值置为0，如果高于高阈值则将像素点置为0，在两阈值之间的值置为255，参数如下

image 要处理的图像
lower 低阈值
upper 高阈值

这个函数会对三个通道分别进行处理

image这个参数是我们从map这个方法传入进来的

我们的white_mask是这样的

之后我们使用bitwise_and，这个是图像的与运算，如果对两张相同的图像做与运算，图像还是其本身，我们现在先看没使用mask的情况

后面的所有步骤我就只展示第一张图了

我们比较关注的点应该是图像中有一部分变为青色了，这是因为我们读取图像时用的是plt进行读取，plt与cv2的通道顺序不同，所以会变为青色，这个不重要，一会儿会进行二值处理，都会变成黑色或白色

现在我们再看一下带mask的，mask会保留图像中白色的区域，然后将黑色的区域置为黑色

得到返回值masked后我们回到 img_process()

3.3 park_test

3.3.1 img_process()

我们把得到的两个结果做成一个集合，然后一起展示一下

之后将上一步的结果使用park中的convert_gray_scale处理

这个实际上就是将图转为灰度图，我就不单开一个标题来写了

转换完之后我们展示一下

到上面这一步就消除了plt与cv2通道不同的问题，现在都变成白色了

下面我们把刚刚的结果传递给park中的detect_edges()

detect_edges实际上是用Canny做了边缘检测，阈值为(50,200)

x现在我们的edge_images是这样的

之后我们使用park中的select_region操作上面的结果

3.4 Parking

3.4.1 select_region()

这一步的功能是在指定的点上画圈

首先我们获取图片的宽与高，这里面用的变量名是rows和cols（行与列）后面赋值的内容是shape，所以为宽与高

画出图上的六个点

将六个点做成点集

将传入的图片复制一张，之后将其由灰度图转为RGB图

由彩色图转为灰度图后，再使用灰度图转到彩色图，图像不会变成彩色的，转前与转后的区别的通道的变化

画圈

展示

之后会返回我们工具类中的另一个方法filter_region()

3.4.2 filter_region()

首先我们看传入的参数

image 图像
vertices 点集

之后我们搞一个与图像大小相同的全0的numpy.ndarry

我们看一下mask的shape

之后进入判定，如果mask的shape的长度为2那么进入分支，进入分支后使用cv2.fillPoly为图像绘制有填充的多边形，参数

mask 要绘制的图像
vertices 点集
255 要填充的颜色(白色)

绘制完之后使用cv_show()展示出来

我们现在的mask是这样的

最后返回图像与mask的与运算

白色(255)与其他值做与运算结果为其他值，黑色(0)与其他值做与运算结果为黑色，我们下面做两个例子

白色(255)与100与运算

11111111 = 255

01100100 = 100

黑色(0)与100与运算

00000000 = 0

01100100 = 100

00000000 = 0

也就是说现在我们return的图像，除了在mask中白色的部分有内容，其余部分全部为黑色

由于我们只关注白色车位的区域，别的地方我们不关注，所以就过滤掉

3.4.3 select_region()

filter_region获得返回值后,select_region也走到了最后一步，select_region的返回值就是filter_region的返回值

3.5 park_test()

3.5.1 img_process()

我们看一下返回值的样子

之后我们对上面的结果使用工具类中的hough_lines方法

这个方法使用的是cv2.HoughLinesP这个方法，这个方法是专门找图像中的直线的,涉及到的参数如下

image 要找直线的图像
rho 距离精度
theta 角度精度
threshod 阈值，图像上更多的是看似直线的曲线，现在我们有若干个点，我们拟合成一条直线，拟合后的直线还能连到阈值个数的点我们就认为这条线是一条直线，这个阈值指定的越大，我们得到的线就会越少
minLineLength 线的最短长度,比这个短的都会被忽略
MaxLineCap 两条直线之间的最大间隔，小于此值系统会判定两条临近的直线为一条直线

这个方法的使用详情 python opencv检测直线 cv2.HoughLinesP_Snoopy_Dream-CSDN博客_cv2.houghlinesp

HoughLines与HoughLinesP的用法一样，HoughLinesP的运算速度比HoughLines更快

我们执行完这个方法后会得到两组直线(一张图一组)

我们创建一个line_images的空列表，由于我们是两张图，每一张图有对应的一组线，我们把他们压到一起然后分开遍历，之后调用park的draw_lines方法

3.6 Parking

3.6.1 draw_lines()

首先看参数

image 传入的单张图像
lines 图像对应的单组直线
color=[255,0,0] 颜色默认为红色
thickness=2 线宽为2
make_copy 是否复制，默认为True

我们在主函数中没有复制make_copy，所以默认为True，我们复制了一张image图像

然后创建一个空的列表clean

之后进入判断，首先遍历一组线获得每条线，之后对每条线进行遍历，每条线的信息有(x1,y1)与(x2,y2)(起始点与终止点)，我们提取出x1,y1,x2,y2，之后进入判断

条件1 终止点y值与起始点y值的距离(起始点与终止点的纵向距离) <= 1，这个条件是保证如果是横线不会太斜，筛选掉几乎所有的纵向线
条件2 25 <= 起始点与终止点的横向距离 <=50

如果满足以上两个条件，将线的信息进入到cleaned中并将其连成一条线画出来

abs()会返回运算的绝对值

之后打印过滤过后线的数量，之后返回画好线的图像

3.7 park_test

3.7.1 img_process()

之后回到park_test,我画红框的地方是一张画好线的图像，我们把这个图像添加到line_images中，之后展示出来

我们第一章图检测出来了588条线，第二章图检测出来了581条线

之后我们创建rect_images与rect_coords两个空列表

之后遍历两张图像与对应的线集，然后将元素传入park.identify_blocks()

3.8 Parking

3.8.1 identify_blocks()

这个太长了，我们就不截取全部了，先看传入的参数，图像与线集，make_copy默认为True，进入方法后先把图片复制下来

3.8.1.1 过滤部分直线

创建一个空列表cleaned，然后遍历线集中的每条线，遍历每条线中的两个点，之后进入判定

条件1 终止点y值与起始点y值的距离(起始点与终止点的纵向距离) <= 1，这个条件是保证如果是横线不会太斜，筛选掉几乎所有的纵向线
条件2 25 <= 起始点与终止点的横向距离 <=50

这一步和上面操作一样，只是因为我们过滤过的线没有返回，所以在这里要再做一遍,我们正好在这里看一下clean是什么样子的

我截取了头和尾，我们可以看到总体是一个列表，列表中有若干元组

3.8.1.2 根据起始点的坐标进行排序

operator是python内置的库，我模拟一下是如何排列cleaned的

import operator
a = [(744, 337, 794, 337), (744, 291, 700, 291), (358, 540, 387, 540)]
b = operator.itemgetter(0,1)
list1 = sorted(a,key=b)
print(list1)

如果我们在itemgetter中只写0，那么只对x1进行排序，如果相等就随机，如果写itemgetter(0,1)，那么当x1相同时会按照y1的大小排列

3.8.1.3 找到多个列

首先我们创建空字典clusters，然后定义dIndex与clus_dist

之后我们进入循环，循环次数为排序好的线集长度-1,，之后获取两个线的横坐标距离，如果获取的距离小于等于clus_dist(10)则进入分支

if 分支: 如果clusters这个字典中没有key为dIndex的键值对，则创建一个以dIndex为键的键值对，键值对内容为空的列表，然后在列表中添加比较横坐标距离的两条直线
else分支: dIndex + 1

上面这个分支走完会进行下一轮循环，clusters的一个key中会找出横向距离少于10的所有临近线

我们看一下此时的clusters

下面这个图只是一部分

我们这一步的目的是找列，所以我们关注的是键而不是值

3.8.1.4 得到坐标

之后创建一个rect的空字典，赋值i为0

之后遍历clusters，clusters是上面创建的字典，键为dIndex，值为一个列表，列表内容为比较横坐标的两条线

第一步我们提取clusters的key号键的值赋值为all_list,之后我们使用set去掉列表中重复的内容，然后使用list返回一个新的列表，我们看一下all_list与cleaned

下面这个是循环第一轮的结果

cleaned的结果意思是我一列中包含的横线的内容，之后对cleaned进行判断

如果我一列中超过了5条横线，那么进入分支，进入分支后以横线起始点的y值大小对cleaned进行排序，排序之后我们选择最小的y值赋值为avg_y1,最大的y值赋值为avg_y2,之后定义avg_x1与avg_x2都为0,之后遍历cleaned，将起始点的所有x值加和赋值为avg_x1,将终止点的所有x值加和赋值为avg_x2,之后将起始点的平均x值赋值给avg_x1,终止点的平均x值赋值给avg_x2，然后把(平均起始点x值，最小y值，平均终止点x值，最大y值)做成一个元组然后赋值给rects的i这个键，然后i自加

我们如果连接(avg_x1,avg_y1)(avg_x2,avg_y2)这两个点，这条线是一条斜线

我们此时的i就是len(rects)就是图像中的列数，我们看一下结果

两张图的结果都是12

3.8.1.5 画出列矩形

这个buff是根据图像做出的微调，我们刚刚获取到了两个点，现在我们对x进行微调后，画出列矩形，然后返回绘制好矩形的new_image与包含矩形左上角点与右下角点的字段rects

到这我们工具类中的identfy_blocks()就结束了，我们返回park_test看一下结果

3.9 park_test

3.9.1 img_process()

将获得到的返回值分别放入rect_images与rect_coords的空列表中

因为是两张图，所以要放在列表中

之后展示图像

我们继续向下看

创建delineated与spot_pos两个空列表

遍历test_images(原图)与rect_coords(矩形角点字典)，进入循环后调用工具类中的darw_parking方法

3.10 Parking

3.10.1 draw_parking()

这个也很长，不展示了，先看传入的参数

image 原图
rects 矩形角点字典
make_copy 是否赋值
color 颜色
thickness 线宽
save 是否保存

进入方法后复制一张原图

定义gap,spot_dict,tot_spots三个值，后面会用到gap是每一列中横线的间距

一共是12列，对应12个键，我们对每个点的位置做微调，后面会调现在还没调

遍历矩形角点，对每个角点进行微调

把微调后的新矩形画出来

我们取y值的距离，然后整除15.5，之后将这个值变为整形赋给num_splits，这个值是每列的行数

之后循环行数次，y1是微调后起始点的y值，我们将这个值加上i个间距，然后赋值给y,然后在（起始点x，y），（终止点x,y）画一条横线

这样我们就会画出这样的横线，每一条横向的长度相同，每一条横线相互平行

之后进入判定，如果key >0且key<rects长度-1，这个的意思就是不算第0条线，其余全算，过滤之后平均起始点与终止点的x，然后画竖线

之后再进入一个判定，这次是rects中的第0列和最后一列，第0列与最后一列的车位我们算作行数+1，其余的我们算作 2倍的(行数+1),因为其余列一行能放两辆车，然后将每一行的车位数都加在一起得到tot_spot(总车位数)

这里注意我们是顶着上面for循环的，我们每一轮的num_splits获取的值是不一样的

之后我们进入判定

如果当前是第0列或最后一列，我们进入循环，循环次数为每一列的行数+1，我们获取spot_dict，这个现在还是空字典，然后我们将起始点y+行数*间距，然后将spot_dict的值置为(起始点x值，y，终止点x值，y+gap），键位cur_len + 1

现在这个点的位置实际上是这样的，这一步是确定每个车位的角点

其余列的处理与上面的处理相似，我就简单画一下每个点的位置

上面这四个点是一行两个车位的角点

之后打印出全部车位与当前车位，这个实际上两个值应该是相似的

如果保存(默认为保存),我们会保存new_image名为with_parking.jpg，然后返回new_image(画好线的图片)与spot_dict(车位角点的字典)

到此我们draw_parking()结束，现在返回park_test

3.11 park_test

3.11.1 img_process()

将上面两个返回值分别保存起来，然后我们看一下两张画好线的图片

之后我们提取第二张图的车位角点字典，然后查看它的长度(一共有多少个车位)

提取第二张图的原因是第二张图画的好，如果还在这个位置拍摄停车场，我们认定有555个车位

之后我们使用pickle.dump把车位角点信息存储起来，这样我们下次读取车位信息我们直接读这个文件就行了，而不用再进行一次图像预处理

我们看一下pickle.dump的参数

final_spot_dict 要存储的内容
handle 要存储到的文件
protocol 存储的协议,这个是可选参数，我们就用这个就完了，在读数据的时候保持和写数据时相同就可以了

之后我们使用park中的save_images_for_cnn()

4 获取数据

4.1 Parking

4.1.1 save_images_for_cnn()

我们先看传入的参数

image 第1张图像
spot_dict 车位角点字典
folder_name 文件夹目录

进入方法后，遍历车位角点集的值，然后提取出每个值赋值到(x1,y1,x2,y2)元组中，如果x1,y1,x2,y2中有浮点数对其取整，之后对图片进行裁剪，把车位的图像菜蔬来，然后放大两倍，把值对应的键赋值给spot_id，然后确认文件名称，之后打印出来，然后存储

我们在cnn_data这个文件夹中会保存555张车位的图片

这个函数没有返回值，调用完之后我们回到park_test

4.2 park_test

4.2.1 img_process()

执行完save_images_for_cnn()后返回final_spot_dict(车位点集),至此img_process()结束

5 训练模型代码 train.py

这个属于人工智能范畴，在我的另一个专栏中会有介绍

https://blog.csdn.net/potato123232/category_11202555.html

在本项目中这一步的结果是会训练出carl.h5这个模型

5.1 导入库

numpy是我测试时用的，os是python自带的搞路径的库，其余都是keras这个库中的方法

我当前keras版本为2.4.3，使用pip install keras就可以安装了

tensorflow中也有keras这个库，如果有tensorflow我们在代码的最前面加上

import tensorflow.keras as keras

就可以使用keras了

如果这样做keras这个库是继承tensorflow的，我当前的tensorflow的版本为2.3.0

tensorflow-gpu的windows下的安装方式

1.安装tensorflow_potato123232的博客-CSDN博客

如果是linux或者mac与windows的安装方式相似

如果设备中没有GPU(显卡),我们也可以使用tensorflow的cpu，cpu不需要安装显卡驱动，cuda,cudnn

5.2 定义两个变量

file_train 训练集数量
files_validation 验证集数量

5.3 确定训练集图片数量与测试集数量

数据都是从上面获取的数据中挑出来的

5.3.1 训练集

我们在train_data/train中有两个文件夹

empty是没被占用的停车位图片

occupied是被占用的停车位图片

此时我们指定路径为train_data/train，然后使用os.listdir获取empty与occupied这两个文件夹，之后分别遍历两个文件夹下的所有文件,每遍历到一个文件files_train就+1

os.walk()会返回一个迭代器，使用next遍历os.walk的结果

5.3.2 测试集

测试集中也有empty和occupied两个文件夹，empty内容为空闲的车位照片，occupied为占用的车位照片，测试集的照片与训练集的照片不相同

用同样的方法确认测试集数量

5.3.3 显示训练集与测试集照片个数

5.4 定义训练所需参数

img_width 图像宽度
img_height 图像高度
train_data_dir 训练数据路径
validation_data_dir 测试(验证)数据路径
nb_train_samples 训练数据个数
nb_validation_samples 测试(验证)数据个数
batch_size 一次放多少数据
epochs 训练轮数
num_classes 训练类别

5.5 使用VGG模型

到这一步会自动下载一个文件，如果有请求失败多试几次就可以了

5.6 减少层

选中前10层，前10层不参与训练

由于我们使用的是预训练模型，我们想让模型简单一点，所以减少10层

5.7 改变输出层

我们将模型的输出层提取出来定义为x,然后我们查看一下x的情况

之后我们将输出层定义为Flatten

最后我们更改其为2分类，激活函数为softmax的dense层作为输出层

5.8 新建神经网络

我们之后的神经网络就为model_final，我们下面训练也是使用model_final进行训练的，我们现在看一下这个网络的概况

5.9 编译神经网络

loss 损失值
optimizer 优化器
lr 学习速率
momentum 动量值
metrics 指标

5.10 图像增强

首先是训练数据增强

rescale 归一化，因为图像的值区间是[0,255]所以一般就为1/255
horizontal_flip 是否水平翻转
fill_mode 填充模式
zoom_range 缩放比例
width_shift_range 水平方向平移幅度
height_shift_range 垂直方向平移幅度
rotation_range 数据提升时图片随机转动的角度

详情可见 tensorflow中图像增强的方法详解 - 帅帅的飞猪 - 博客园

然后是测试数据增强

5.11 数据集合

训练集

target_size 目标尺寸
batch_size 一次传多少数据
class_mode 这个我们现在设置为分类

测试集

5.12 定义训练节点

模型名称carl.h5
monitor 监控指标
verbose 信息展示模式
save_best_onle 是否只储存最好的
save_weights_only 是否只储存权重
mode 评判准则
period 周期，每几个epoch存一次

详情参考 ModelCheckpoint详解_you 是 mine-CSDN博客

5.13 定义提前中止该轮训练

monitor 监测数据
min_delta 增幅或减小阈值
patience 容忍程度
verbose 信息展示模式
mode 评判准则

详情参考 [深度学习] keras的EarlyStopping使用与技巧_小墨鱼的专栏-CSDN博客_earlystopping

5.14 训练

5.15 保存

此时我们就得到了 carl.h5 这个模型文件，之后我们会调用它，下面我们就按主函数park_test执行的顺序来分析了

6 读取模型

6.1 Park_test

6.1.1 keras_model()

我们现在回到main中执行keras_model

这个就是使用keras方法读取我们训练好的模型

7 图像预测

7.1 Park_test

7.1.1 img_test()

现在我们就要使用模型对图片进行预测了，参数都为上面的返回值

由于要对两张图片分别进行预测，我们我们搞一个for循环

进入循环后使用工具类中的predict_on_image()，与上面参数不同的是predict_on_image()只接收单张图像

7.2 Parking

7.2.1 predict_on_image()

这个也比较长，不整体展示了

先看参数

image 单张图像
spot_dict 车位点集
model 模型
class_dictionary 分类
make_copy 是否复制
color 颜色
alpha 权重，下面做图像融合用的

进入方法后先复制两张图片

这两张内容相同，地址不同

定义两个整形变量，初始值为0

之后遍历点集的所有值，进入循环后all_spots自加，然后提出每个点的内容，之后取整，然后裁剪，之后把照片大小变为48*48，然后调用自身的make_prediction()

7.2.2 make_prediction()

进入方法后对图像进行归一化，然后使用np.expand_dims扩展数组形状，只有对图像及逆行扩展我们才能使用模型进行预测，我们下面做一个np.expand_dims的例子

import numpy as npa = np.array([[1,2],[3,4]])
print(a)
print(a.shape)
print(type(a))
print()c = np.expand_dims(a,axis=0)
print(c)
print(c.shape)
print(type(c))
print()c = np.expand_dims(a,axis=1)
print(c)
print(c.shape)
print(type(c))

如果axis=0，那么我在0的位置上加一个维度，如果axis=1，那么我就在1的位置上加一个维度，也可以往后加数，同理

项目中我们使用np.expand_dims就是在0的位置给图像加上一个维度

之后我们就对增维的图像做预测了，我们把每一步的结果显示出来

由于我们是二分类问题，所以我们会获得两个值，第一个值是这个图是空着的概率，第二个值是这个值被被占用的概率，我们取这两个值的对大值的索引，然后把这个索引套到class_dictionary，就会的出来我们相应的标签，然后返回这个标签

7.2.3 predict_on_image()

此时我们回到predict_on_image()，现在我们获取了每个车位的情况(label)

如果我们识别到这个车位是空的，就在overlay这张图上画上空车位对应的矩形框，然后cnt_empty(空车位数量)+1

之后我们将画框的和没画框的图融合一下，比例0.5，0.6

然后把字写上，分别是可用的车位(空车位数量)与全部车位数量

之后我们在这将是否保存设置为不保存了，但是无论是否保存都会展示并返回已经画完框，写完字的图片

到此我们的predict_on_image()就结束了，我们看一下效果

8 视频预测

8.1 Park_test

8.1.1 video_test()

使用video_test方法，与图片预测的方法参数不同的是把图片换成了视频

8.2 Parking

8.2.1 predict_on_video()

这个和预测图片相似，我们简单过一下

确认视频，定义参数

大循环，读图像，定义参数，复制图像

对每一个车位进行判定

这个也正是我们卡的原因，我们算1s60帧，一共555个车位，也就是说我们1s要预测33,300张图片

融合图像，写字，关视频

9 项目总结

9.1 流程图

我们就以检测图像做图了，因为视频与图像处理方式相同，我们花时间最多的是图像预处理，我们梳理一下图像预处理中每个函数的功能

9.2 新了解的方法

pickle 一共两个方法
- pickle.dump() 存储数据
- pickle.load() 读取数据，这个我们在这个项目中没用到
np.expand_dims 扩展数组维度

16.停车场车位识别相关推荐

OpenCV计算机视觉实战，停车场车位识别！（完整代码）！
任务描述:识别这种停车场图的空车位与被占用车位识别流程:预处理 -> 获得车位坐标的字典 -> 训练VGG网络进行二分类 img_process 图像预处理过程 1.select_ ...
停车场车位识别（一）
整个代码主要分为以下几步:(1)对图像预处理 (2)抠出每个停车位的图,以及其地址 (3)使用keras训练一个2分类的模型,卷积网络选择vgg,为了节省时间,采用keras提供的api,并冻结前10 ...
【车位检测】基于计算机视觉实现停车场空位识别附matlab代码
1 简介为便于汽车驾驶员在室外停车场中寻找可用空车位,基于以数据采集,图像处理和目标检测等过程的计算机视觉,开发了室外停车场车位检测实验. 2 部分代码 clc; close all; clear ...
python例程：智能停车场车牌识别计费系统的程序
目录 <智能停车场车牌识别计费系统>程序使用说明主要代码演示源码下载路径 <智能停车场车牌识别计费系统>程序使用说明在PyCharm中运行<智能停车场车牌识别计费系 ...
基于STM32单片机的智能停车场车位管理系统设计
摘要通过调查发现,现有的许多公共场所的停车位管理落后,智能化程度不高.为顺应现代自动化狂潮的发展趋势,本项目以STM32单片机为主控芯片,基于RFID智能识别技术,设计了一个具有IC识别的智能停 ...
如何使用JS来开发室内地图商场停车场车位管理系统
在线体验到室内地图的功能后,手机对室内地图加载一个字,要显示"快",目前微信和电脑都可以打开室内地图的要求是3秒内打开,能有定位导航的功能最好,这样方便找到要去的地方. 对于经常逛 ...
单片机的停车场计数系统c51_基于51单片机的停车场车位管理系统
51单片机主控的停车场车位管理系统设计的实物图: 停车场车辆管理系统设计与开发摘要:伴随着科技的飞速发展,交通工具的越来越普及.汽车作为人类社会中最主要的交通工具之一,起着重大作用.随着人们生活水平 ...
基于51单片机的停车场车位管理系统
具体实现功能由AT89S52单片机+AT24C02数据存储模块+按键模块+LCD1602显示+报警模块等构成. 具体功能: (1)显示停车场现有车辆数和已停放过车辆数,总共16个车位,指示灯指示具体 ...
基于51单片机的停车场车位管理系统（程序+仿真+原理图+软件）
目录基于51单片机的停车场车位管理系 1.主要功能 2.仿真实验 3.程序代码 4.原理图 5.资源获取基于51单片机的停车场车位管理系 1.主要功能该系统由:电源模块.传感器模块.显示模块.手 ...