总目录
图像处理总目录←点击这里
十九、停车场车位识别
19.1、项目说明
唐宇迪老师的——OPENCV项目实战 学习
本项目的目的是设计一个停车场车位识别的系统，能够判断出当前停车场中哪些车位是空的。 任务共包含部分：
对图像预处理
从停车场的监控视频中提取图片对图片进行一系列的预处理，去噪、识别图像中的车位、定位停车位的轮廓提取每个停车位区域的图片并保存到指定的数据文件路径 训练神经网络模型，能够识别停车场中有哪些剩余车位
使用keras训练一个2分类的模型，卷积网络选择vgg，采用keras提供的api，并冻结前10层从视频中取出每一帧，挨个训练，实现实时
着重介绍图像处理（神经网络是一个简单的二分类问题，有车和没车的一个判断）
19.2、图像预处理
19.2.1、读取图像
从视频中截取两张图，进行读取操作
19.2.2、过滤背景
select_rgb_white_yellow 函数实现
HSV各种颜色的取值范围 white_mask = cv2.inRange(image, lower, upper)
低于120，或者高于255的都处理为0(黑色）
将其与原始图像做与操作，这样的话，只有原始图像是255的像素点留下来了,把无关的操作过滤掉
cv2.bitwise_and(image, image, mask=white_mask)
19.2.3、灰度图
convert_gray_scale 函数实现
cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
19.2.4、边缘检测
detect_edges 函数实现
cv2.Canny(image, low_threshold, high_threshold)
19.2.5、裁剪区域
select_region 函数实现
手动画点
rows, cols = image.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]
mask填充
为选定区域填充白色
mask = np.zeros_like(image)
cv2.fillPoly(mask, vertices, 255)
区域切割
cv2.bitwise_and(image, mask)
19.2.6、检测直线
hough_lines和draw_lines函数实现
通过 霍夫变换 (边缘检测后使用）后检测到停车位的方框直线
cv2.HoughLinesP(image, rho=0.1, theta=np.pi / 10, threshold=15, minLineLength=9, maxLineGap=4)
rho距离精度theta角度精度threshod超过设定阈值才被检测出线段minLineLengh 线的最短长度，比这个短的都被忽略MaxLineCap 两条直线之间的最大间隔，小于此值，认为是一条直线
检测完之后进行画线操作
19.2.7、区域列车位划分
identify_blocks 函数 实现
过滤部分直线
一列一列的为一组，过滤掉不符合的
for line in lines:
for x1, y1, x2, y2 in line:
if abs(y2 - y1) <= 1 and 25 <= abs(x2 - x1) <= 55:
cleaned.append((x1, y1, x2, y2))
直线x1排序
默认是打乱排序的
x1是每一列车位的最左边位置
sorted(cleaned, key=operator.itemgetter(0, 1))
分为n列
找到多个列，相当于每列是一排车 根据线之间的距离进行判断
for 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
坐标
通过循环，得到每一列的具体坐标（矩形框的四个坐标）
for 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 = 0
avg_x2 = 0
for 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 += 1
画出车位
通过观察可以看出，右边的区域更符合条件（左边的第一列第二列划分不好）
19.2.8、区域每个车位划分
draw_parking 函数实现
注意第一列和最后一列是单排停车位
其余为双排停车位，分类讨论
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)
19.3、训练神经网络
判断车位上面有没有车
19.3.1、切割停车位图片
save_images_for_cnn 函数实现
得到每一个停车位上面的图片，判断是否有车
人工对车位进行分割： 分为有车和没车两种类型
19.3.2、训练模型
train.py文件进行模型训练
使用vgg16模型进行训练
model = applications.VGG16(weights='imagenet', include_top=False, input_shape=(img_width, img_height, 3))
数据量较少，对vgg原模型进行“冻”起来操作，只需要改自己的全连接层和输出层
# 冻起来操作：对前10层的网络结构不进行更改
for layer in model.layers[:10]:
layer.trainable = False
19.3.3、基于视频的车位检测
predict_on_image 函数处理某帧的情况
测试了上面刚开始的两张图像
19.4、最终效果
predict_on_video 函数处理视频
将每一帧图像保存下来，做成动图效果
项目源码
https://github.com/lzh66666/park_opencv
发表评论