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层。

（4）从视频中取出每一帧，挨个训练，实现实时

def imggg():#读入一张原始图img=cv2.imread("../test_images/scene1410.jpg")#实现2值化操作，将在（120，255）以内的变成变成白色，将以外的变成黑色low=np.uint8([120,120,120])upper=np.uint8([255,255,255])white_img=cv2.inRange(img,low,upper)print(white_img.shape)cv2.imshow("111",white_img)cv2.waitKeyEx(0)cv2.destroyAllWindows()#与原图进行与运算，求出原图img=cv2.bitwise_and(img,img,mask=white_img)print(img.shape)cv2.imshow("111",img)cv2.waitKeyEx(0)cv2.destroyAllWindows()img=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)#边缘检测img=cv2.Canny(img,100,200)cv2.imshow("111",img)cv2.waitKeyEx(0)cv2.destroyAllWindows()cv2.imwrite("canny.jpg",img)

以上主要是将图像2值化并边缘检测，为了后面的调用霍夫曼直线做准备

（2）制作一个mask，将停车场从图中抠出来

（1）先认为的选取图中的6个点，该6个点组成的一个多边形将停车场包围。

（2）生成一张和原始图同样大小的mask图，使用fillpoly（）函数将上述6个点内填充为白色

（3）使用bitwith_and ()将原图与mask做mask运算，即可提取出停车场

import cv2
import numpy as np
img1=cv2.imread("../test_images/scene1380.jpg")
img=cv2.imread("canny.jpg",0)
img=img.astype("uint8")
rows, cols = img.shape[:2]
pt_1 = [cols*0.05, rows*0.90]
pt_2 = [cols*0.05, rows*0.70]
pt_3 = [cols*0.30, rows*0.55]
pt_4 = [cols*0.6, rows*0.15]
pt_5 = [cols*0.90, rows*0.15]
pt_6 = [cols*0.90, rows*0.90]
#注意这里采用的是int32类型，一定要指明，否则会报错
point=np.array([pt_1,pt_2,pt_3,pt_4,pt_5,pt_6],dtype=np.int32)
print(point)
for i in point:img1=cv2.circle(img1,(i[0],i[1]),10,(0,0,255))
cv2.imshow("111",img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
#填充图形
zreos=np.zeros((rows,cols))
cv2.imshow("111",zreos)
cv2.waitKeyEx(0)print(zreos.shape)
# cv2.destroyAllWindows()
mask=cv2.fillPoly(zreos,[point],255)
cv2.imshow("111",mask)
cv2.waitKey(0)
cv2.destroyAllWindows()
print(img.shape)
print(mask.shape)
#一定要指明是uint8，不说又报错。
mask=mask.astype("uint8")
img4=cv2.bitwise_and(img,img,mask=mask)
cv2.imshow("111",img4)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite("mask_aprk.jpg",img4)

（3）提取出停车场后下一步就是要标识每一个停车位的位置，采用霍夫直线检测，这里需要反复的调整大小，同时也要注意图中除了停车线，还有许多其他的线，要将其他的线剔除（本段代码较长，逻辑比较复杂，就不细讲了）

（1）lines = cv2.HoughLinesP(edges,0.1,np.pi/180,15,minLineLength=9,maxLineGap=4)

1.霍夫变换是将坐标空间转换为霍夫空间，在霍夫空间中，笛卡尔坐标系中的每个点都是一条曲线，同一条直线上的点会过一个定点

2.cv中的霍夫空间是有极坐标系构成

3.各个参数分别代表图片，像素精度，角度精度，最少多少个焦点可被判断为一条直线，相隔几个点能被判断为一条直线

    def hough_lines(self,image):#输入的图像需要是边缘检测后的结果#minLineLengh(线的最短长度，比这个短的都被忽略)和MaxLineCap（两条直线之间的最大间隔，小于此值，认为是一条直线）#rho距离精度,theta角度精度,threshod超过设定阈值才被检测出线段return cv2.HoughLinesP(image, rho=0.1, theta=np.pi/10, threshold=15, minLineLength=9, maxLineGap=4)def draw_lines(self,image, lines, color=[255, 0, 0], thickness=2, make_copy=True):# 过滤霍夫变换检测到直线if make_copy:image = np.copy(image) cleaned = []for line in lines:for x1,y1,x2,y2 in line:if abs(y2-y1) <=1 and abs(x2-x1) >=25 and abs(x2-x1) <= 55:cleaned.append((x1,y1,x2,y2))cv2.line(image, (x1, y1), (x2, y2), color, thickness)print(" No lines detected: ", len(cleaned))return image

可以看到，识别并不是很精准，这是由于汽车的存在导致的干扰。

    def identify_blocks(self,image, lines, make_copy=True):if make_copy:new_image = np.copy(image)#Step 1: 过滤部分直线cleaned = []for line in lines:for x1,y1,x2,y2 in line:if abs(y2-y1) <=1 and abs(x2-x1) >=25 and abs(x2-x1) <= 55:cleaned.append((x1,y1,x2,y2))#Step 2: 对直线按照x1进行排序import operatorlist1 = sorted(cleaned, key=operator.itemgetter(0, 1))#Step 3: 找到多个列，相当于每列是一排车clusters = {}dIndex = 0clus_dist = 5for i in range(len(list1) - 1):distance = abs(list1[i+1][0] - list1[i][0])if distance <clus_dist:if not dIndex in clusters.keys(): clusters[dIndex] = []clusters[dIndex].append(list1[i])clusters[dIndex].append(list1[i + 1]) else:dIndex += 1#Step 4: 得到坐标rects = {}i = 0for key in clusters:all_list = clusters[key]cleaned = list(set(all_list))if len(cleaned) > 5:cleaned = sorted(cleaned, key=lambda tup: tup[1])avg_y1 = cleaned[0][1]avg_y2 = cleaned[-1][1]avg_x1 = 0avg_x2 = 0for tup in cleaned:avg_x1 += tup[0]avg_x2 += tup[2]avg_x1 = avg_x1/len(cleaned)avg_x2 = avg_x2/len(cleaned)rects[i] = (avg_x1, avg_y1, avg_x2, avg_y2)i += 1print("Num Parking Lanes: ", len(rects))#Step 5: 把列矩形画出来buff = 7for key in rects:tup_topLeft = (int(rects[key][0] - buff), int(rects[key][1]))tup_botRight = (int(rects[key][2] + buff), int(rects[key][3]))cv2.rectangle(new_image, tup_topLeft,tup_botRight,(0,255,0),3)return new_image, rectsdef draw_parking(self,image, rects, make_copy = True, color=[255, 0, 0], thickness=2, save = True):if make_copy:new_image = np.copy(image)gap = 15.5spot_dict = {} # 字典：一个车位对应一个位置tot_spots = 0#微调adj_y1 = {0: 20, 1:-10, 2:0, 3:-11, 4:28, 5:5, 6:-15, 7:-15, 8:-10, 9:-30, 10:9, 11:-32}adj_y2 = {0: 30, 1: 50, 2:15, 3:10, 4:-15, 5:15, 6:15, 7:-20, 8:15, 9:15, 10:0, 11:30}adj_x1 = {0: -8, 1:-15, 2:-15, 3:-15, 4:-15, 5:-15, 6:-15, 7:-15, 8:-10, 9:-10, 10:-10, 11:0}adj_x2 = {0: 0, 1: 15, 2:15, 3:15, 4:15, 5:15, 6:15, 7:15, 8:10, 9:10, 10:10, 11:0}for key in rects:tup = rects[key]x1 = int(tup[0]+ adj_x1[key])x2 = int(tup[2]+ adj_x2[key])y1 = int(tup[1] + adj_y1[key])y2 = int(tup[3] + adj_y2[key])cv2.rectangle(new_image, (x1, y1),(x2,y2),(0,255,0),2)num_splits = int(abs(y2-y1)//gap)for i in range(0, num_splits+1):y = int(y1 + i*gap)cv2.line(new_image, (x1, y), (x2, y), color, thickness)if key > 0 and key < len(rects) -1 :        #竖直线x = int((x1 + x2)/2)cv2.line(new_image, (x, y1), (x, y2), color, thickness)# 计算数量if key == 0 or key == (len(rects) -1):tot_spots += num_splits +1else:tot_spots += 2*(num_splits +1)# 字典对应好if key == 0 or key == (len(rects) -1):for i in range(0, num_splits+1):cur_len = len(spot_dict)y = int(y1 + i*gap)spot_dict[(x1, y, x2, y+gap)] = cur_len +1        else:for i in range(0, num_splits+1):cur_len = len(spot_dict)y = int(y1 + i*gap)x = int((x1 + x2)/2)spot_dict[(x1, y, x, y+gap)] = cur_len +1spot_dict[(x, y, x2, y+gap)] = cur_len +2   print("total parking spaces: ", tot_spots, cur_len)if save:filename = 'with_parking.jpg'cv2.imwrite(filename, new_image)return new_image, spot_dict

又懒了，大家自己看，直接上结果

每个停车位的位置已经被获得，接下来，只要将图片抠出来即可。到这图像处理工作算是完成了，接下来就是训练模型的事了，有空在写。

停车场车位识别（一）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_ ...
16.停车场车位识别
目录 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_im ...
【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 ...
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 ...
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 ...
智能停车场车牌识别系统（一）
前段时间练习过的一个小项目,今天再看看,记录一下~ 开发工具准备: 开发工具:PyCharm Python内置模块:os.time.datetime 第三方模块:pygame.opencv-pytho ...
智能停车场车牌识别系统（二）
在上一篇文章实现车牌识别功能的基础上,加入了实现收入统计功能和满预警功能看这篇文章之前请先完成智能停车场车牌识别系统(一) 的阅读实现收入统计功能: 收入统计就是对停车场每个月的收入进行统计,然 ...
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 ...
pkr车牌识别系统服务器,JAT-PKR-交安通PKR停车场车牌识别管理系统
交安通PKR停车场车牌识别管理系统特点: 识别系统对环境的依赖性降低至zui低程度,可实现全天候正常工作,且识别率保持较高水平. 可识别的zui小号牌宽度为70个像素适应复杂的气候及光照条件,如阴天 ...

停车场车位识别（一）

停车场车位识别（一）相关推荐

最新文章

热门文章