停车场车位识别 opencv（一）

2024-07-16 13:39| 来源: 网络整理| 查看: 265

停车场车位识别，opencv图像预处理，训练网络模型项目理论和源码来自唐宇迪opencv项目实战

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： 1.制作数据集，从停车场的监控视频中提取图片，使用数字图像处理技术制作数据集。 2.利用上一步制作的数据集，训练神经网络模型，能够识别停车场中有哪些剩余车位。

1 数字数字图像处理 opencv 从视频中截取图片，即对视频图片逐帧保存。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。（1）从视频中截取图片

程序代码

import cv2 import numpy as np def save_image(image, addr, num): address = addr + str(num) + '.jpeg' cv2.imwrite(address, image) videoCapture = cv2.VideoCapture("path/.mp4") success, frame = videoCapture.read() i = 0 while success: i = i + 1 save_image(frame, './output/img_', i) if success: print('save image:', i) success, frame = videoCapture.read()

在这里插入图片描述本实例中我们使用其中的两张图片。

（2）显示指定路径下的两张图片

用matplotlib显示图片 matplotlib官方文档对于三通道的彩色图像， plt的三通道的顺序是RGB 而opencv的三个通道顺序是BGR。显示路径下这两张图片程序：

def show_images(self, images, cmap = None): # 文件夹中有多少张图片，用plt在同一幅画面中显示 cols = 2 rows = (len(images)+1)//cols # 图像的宽和高，单位是英寸 plt.figure(figsize=(15, 12)) # 遍历路径下的每一张图片 for i, image in enumerate(images): plt.subplot(rows, cols, i+1) cmap = 'gray' if len(image.shape) == 2 else cmap plt.imshow(image, cmap=cmap) plt.xticks([]) plt.yticks([]) plt.tight_layout(pad=0, h_pad=0, w_pad=0) plt.show()

结果：在这里插入图片描述

（3）滤除其他区域

我们关心的只有图像中停车部分的信息，对于本实例中的图片，左上角区域是可以滤除掉的。于是我们只做了一个近似梯形区域的掩模：在这里插入图片描述生成这个掩模的程序： cv2.fillPoly函数用来填充凸多边形，只需给出凸多边形的顶点。这里的vertices指的是用顶点坐标确定的待填充的区域，此时的mask 把图区域内填充成255，其他区域是0，将mask于原图像进行“与”运算。

def filter_region(self,image, vertices): """ 剔除掉不需要的地方 """ mask = np.zeros_like(image) if len(mask.shape) == 2: cv2.fillPoly(mask, vertices, 255) self.cv_show('mask', mask) return cv2.bitwise_and(image, mask)

还需要确定的是顶点坐标，也就是vertices中的内容。梯形的顶点坐标我们怎么得到呢？就是这几个点呐：在这里插入图片描述手动输入……我给你手动点赞，手动微笑，手动…… 就是根据这张特定的图片，手动输入点的坐标，并把点的坐标存放到vertices中

def select_region(self,image): """ 手动选择区域 """ 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*0.60, rows*0.15] pt_5 = [cols*0.90, rows*0.15] pt_6 = [cols*0.90, rows*0.90] vertices = np.array([[pt_1, pt_2, pt_3, pt_4, pt_5, pt_6]], dtype=np.int32) point_img = image.copy() point_img = cv2.cvtColor(point_img, cv2.COLOR_GRAY2RGB) for point in vertices[0]: cv2.circle(point_img, (point[0],point[1]), 10, (0,0,255), 4) self.cv_show('point_img',point_img) return self.filter_region(image, vertices)

将mask和图像做“与”运算之前还需要对图像进行二值化。 white_mask = cv2.inRange(image, lower, upper)函数是对像素值低于lower和高于upper的点变为0（黑色），在两只之间的像素点变为255（白色）。 np.zeros_like函数表示构造一个与原图像维度相同，所有元素初始化为0的矩阵。

def select_rgb_white_yellow(self,image): # 过滤掉背景 lower = np.uint8([120, 120, 120]) upper = np.uint8([255, 255, 255]) mask = np.zeros_like(image) print("len(mask.shape)", len(mask.shape)) img_mask = cv2.bitwise_and(image, mask) white_mask = cv2.inRange(image, lower, upper) self.cv_show('2_white_mask',white_mask) masked = cv2.bitwise_and(image, image, mask=white_mask) self.cv_show('3_masked', masked) return masked

显示结果：在这里插入图片描述

进行原图像和二值图像进行“与”操作结果如图：在这里插入图片描述还有一步就是进行Canny边缘检测：

边缘检测的步骤 1.使用高斯滤波平滑图像，滤除噪声。 2.计算图像中每个像素点的强度和方向。 3.应用非极大值抑制，消除边缘检测带来的杂散响应。 4.应用双阈值（Double—Threshold）来检测潜在的和真实的边缘 5.通过抑制孤立的弱边缘点，最终完成边缘检测。

def detect_edges(self,image, low_threshold=50, high_threshold=200): return cv2.Canny(image, low_threshold, high_threshold) cv2.imshow("image", image)

两个阈值值得是梯度：如果梯度大于200，那么判定为边缘;如果小于50，那么判定不是边缘;在两个值之间，又和确定的边缘相连，那么判定为是边缘。

图像进行Canny边缘检测之后再用掩模进行处理后结果如图所示：在这里插入图片描述

（4）Hough直线检测

HoughLinesP函数是统计概率霍夫线变换函数 cv2.HoughLinesP函数的输入图像必须是边缘检测的结果 rho表示距离精度 theta表示角度精度 threshod表示检测为一条直线所需的最少交点。 minLineLength参数表示能组成一条直线的最少点的数量，点数量不足的直线将被抛弃。 maxLineGap参数表示能被认为在一条直线上的两个点的最大距离。

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

该函数的返回值是直线的起止点的坐标（x0,y0,x1,y1）进一步对检测到的图片进行筛选：

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) =25 and abs(x2-x1)

【本文地址】

停车场车位识别 opencv（一）

停车场车位识别 opencv（一）

今日新闻

推荐新闻