總目錄

圖像處理總目錄←點(diǎn)擊這里

十九、停車(chē)場(chǎng)車(chē)位識(shí)別

19.1、項(xiàng)目說(shuō)明

唐宇迪老師的——OPENCV項(xiàng)目實(shí)戰(zhàn) 學(xué)習(xí)

本項(xiàng)目的目的是設(shè)計(jì)一個(gè)停車(chē)場(chǎng)車(chē)位識(shí)別的系統(tǒng)，能夠判斷出當(dāng)前停車(chē)場(chǎng)中哪些車(chē)位是空的。
任務(wù)共包含部分：

1. 對(duì)圖像預(yù)處理
   • 從停車(chē)場(chǎng)的監(jiān)控視頻中提取圖片
   • 對(duì)圖片進(jìn)行一系列的預(yù)處理，去噪、識(shí)別圖像中的車(chē)位、定位停車(chē)位的輪廓
   • 提取每個(gè)停車(chē)位區(qū)域的圖片并保存到指定的數(shù)據(jù)文件路徑
2. 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，能夠識(shí)別停車(chē)場(chǎng)中有哪些剩余車(chē)位
   • 使用keras訓(xùn)練一個(gè)2分類(lèi)的模型，卷積網(wǎng)絡(luò)選擇vgg，采用keras提供的api，并凍結(jié)前10層
   • 從視頻中取出每一幀，挨個(gè)訓(xùn)練，實(shí)現(xiàn)實(shí)時(shí)

著重介紹圖像處理（神經(jīng)網(wǎng)絡(luò)是一個(gè)簡(jiǎn)單的二分類(lèi)問(wèn)題，有車(chē)和沒(méi)車(chē)的一個(gè)判斷）

19.2、圖像預(yù)處理

19.2.1、讀取圖像

從視頻中截取兩張圖，進(jìn)行讀取操作

19.2.2、過(guò)濾背景

select_rgb_white_yellow 函數(shù)實(shí)現(xiàn)

HSV各種顏色的取值范圍

white_mask = cv2.inRange(image, lower, upper)

低于120，或者高于255的都處理為0(黑色）

將其與原始圖像做與操作，這樣的話(huà)，只有原始圖像是255的像素點(diǎn)留下來(lái)了,把無(wú)關(guān)的操作過(guò)濾掉

cv2.bitwise_and(image, image, mask=white_mask)

19.2.3、灰度圖

convert_gray_scale 函數(shù)實(shí)現(xiàn)

cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

19.2.4、邊緣檢測(cè)

detect_edges 函數(shù)實(shí)現(xiàn)

cv2.Canny(image, low_threshold, high_threshold)

19.2.5、裁剪區(qū)域

select_region 函數(shù)實(shí)現(xiàn)

手動(dòng)畫(huà)點(diǎn)

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

為選定區(qū)域填充白色

mask = np.zeros_like(image)
cv2.fillPoly(mask, vertices, 255)

區(qū)域切割

cv2.bitwise_and(image, mask)

19.2.6、檢測(cè)直線(xiàn)

hough_lines和draw_lines函數(shù)實(shí)現(xiàn)

通過(guò) 霍夫變換 (邊緣檢測(cè)后使用）后檢測(cè)到停車(chē)位的方框直線(xiàn)

cv2.HoughLinesP(image, rho=0.1, theta=np.pi / 10, threshold=15, minLineLength=9, maxLineGap=4)

• rho距離精度
• theta角度精度
• threshod超過(guò)設(shè)定閾值才被檢測(cè)出線(xiàn)段
• minLineLengh 線(xiàn)的最短長(zhǎng)度，比這個(gè)短的都被忽略
• MaxLineCap 兩條直線(xiàn)之間的最大間隔，小于此值，認(rèn)為是一條直線(xiàn)

檢測(cè)完之后進(jìn)行畫(huà)線(xiàn)操作

19.2.7、區(qū)域列車(chē)位劃分

identify_blocks 函數(shù) 實(shí)現(xiàn)

過(guò)濾部分直線(xiàn)

一列一列的為一組，過(guò)濾掉不符合的

        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))

直線(xiàn)x1排序

默認(rèn)是打亂排序的

x1是每一列車(chē)位的最左邊位置

sorted(cleaned, key=operator.itemgetter(0, 1))

分為n列

找到多個(gè)列，相當(dāng)于每列是一排車(chē)
根據(jù)線(xiàn)之間的距離進(jìn)行判斷

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

坐標(biāo)

通過(guò)循環(huán)，得到每一列的具體坐標(biāo)（矩形框的四個(gè)坐標(biāo)）

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

畫(huà)出車(chē)位

通過(guò)觀察可以看出，右邊的區(qū)域更符合條件（左邊的第一列第二列劃分不好）

19.2.8、區(qū)域每個(gè)車(chē)位劃分

draw_parking 函數(shù)實(shí)現(xiàn)

注意第一列和最后一列是單排停車(chē)位

其余為雙排停車(chē)位，分類(lèi)討論

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:
    # 豎直線(xiàn)
    x = int((x1 + x2) / 2)
    cv2.line(new_image, (x, y1), (x, y2), color, thickness)
            

19.3、訓(xùn)練神經(jīng)網(wǎng)絡(luò)

判斷車(chē)位上面有沒(méi)有車(chē)

19.3.1、切割停車(chē)位圖片

save_images_for_cnn 函數(shù)實(shí)現(xiàn)

得到每一個(gè)停車(chē)位上面的圖片，判斷是否有車(chē)

人工對(duì)車(chē)位進(jìn)行分割： 分為有車(chē)和沒(méi)車(chē)兩種類(lèi)型

19.3.2、訓(xùn)練模型

train.py文件進(jìn)行模型訓(xùn)練

使用vgg16模型進(jìn)行訓(xùn)練

model = applications.VGG16(weights='imagenet', include_top=False, input_shape=(img_width, img_height, 3))

數(shù)據(jù)量較少，對(duì)vgg原模型進(jìn)行“凍”起來(lái)操作，只需要改自己的全連接層和輸出層

# 凍起來(lái)操作：對(duì)前10層的網(wǎng)絡(luò)結(jié)構(gòu)不進(jìn)行更改
for layer in model.layers[:10]:
    layer.trainable = False

19.3.3、基于視頻的車(chē)位檢測(cè)

predict_on_image 函數(shù)處理某幀的情況

測(cè)試了上面剛開(kāi)始的兩張圖像

19.4、最終效果

predict_on_video 函數(shù)處理視頻

將每一幀圖像保存下來(lái)，做成動(dòng)圖效果

項(xiàng)目源碼

https://github.com/lzh66666/park_opencv文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-536368.html

到了這里，關(guān)于OpenCV圖像處理——停車(chē)場(chǎng)車(chē)位識(shí)別的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！