基于Open |
您所在的位置：网站首页 › 停车场的停车线怎么规划 › 基于Open |
基于Open
|
*结合Open-cv 以及深度学习的停车位识别 基于Open-cv 的停车场停车位识别个人笔记附所有代码（上） *在学习唐宇迪老师的图像识别课程中，里边包含这样一个关于停车场车位识别的小项目，结合自己理解，优化了部分代码（此文中出现的为部分结果图），想更多了解的移步唐宇迪老师课程。 项目思路 项目目的；项目分析；项目实验；项目结果； 项目目的 在做此项目时候，数据为一段MP4格式的视频（见文末链接），因此对视频进行分析，视频中的每一帧即为一幅图像，对图像做分析， 要求识别出图像中的停车位，包括所有停车位的数量、位置，然后再精确分析已占车位以及空车位的数量以及位置。*
图1. 原视频图像
项目分析
图像为视频中截取的某一帧，对图像进行分析，首先判断停车场的形状以及其中停车位分布，初步规划如何进行数据预处理，以及如何有效利用数据。分析影响数据的多种因素，如不同时间的光照情况、车身颜色与地面相近的情况、车身压线情况以及正在进入或者驶出车位情况等等。 项目实验 数据预处理 为了避免不必要的干扰，在数据预处理阶段，采用背景过滤的方式滤除不必要的信息，然后得到mask图像。
图2. 滤除背景后图像
图3. mask图像传入原图像
def select_rgb_white_yellow(self,image):
#过滤掉背景
lower = np.uint8([120, 120, 120])
upper = np.uint8([255, 255, 255])
# lower_red和高于upper_red的部分分别变成0，lower_red～upper_red之间的值变成255,相当于过滤背景
white_mask = cv2.inRange(image, lower, upper)
self.cv_show('white_mask',white_mask)
masked = cv2.bitwise_and(image, image, mask = white_mask) #将mask图像传入原图像，执行与操作
self.cv_show('masked',masked)
return masked
之后进行灰度转化以及边缘检测等处理方式，如下： 
图4. 灰度图像
图5. 边缘检测图像
def convert_gray_scale(self,image):
return cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
def detect_edges(self,image, low_threshold=50, high_threshold=200):
return cv2.Canny(image, low_threshold, high_threshold)
在得到边缘检测图像后，手动划分感兴趣区域，剔除无效边缘背景，确定感兴趣区域的顶点（此处设置6个顶点），之后结合mask图像得到结果图。 
图6. 划分感兴趣区域
图7. ROI对应mask图像
图8. ROI对应原图像
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) #利用顶点填充mask
self.cv_show('mask', mask)
return cv2.bitwise_and(image, mask)
def select_region(self,image):
"""
手动选择区域
"""
# first, define the polygon by vertices
rows, cols = image.shape[:2]
pt_1 = [cols*0.05, rows*0.90]
pt_2 = [cols*0.05, rows*0.70]
pt_3 = [cols*0.33, rows*0.52]
pt_4 = [cols*0.60, rows*0.15]
pt_5 = [cols*0.89, rows*0.15]
pt_6 = [cols*0.90, rows*0.90]
#vertices为手动划分的6个顶点
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)
霍夫变换 在得到了边缘检测后结果后，对其进行霍夫变换的直线检测，由于停车位对应原图1的短线，因此对其进行检测结果如下图
图9. 原图对应直线检测
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) =25 and abs(x2-x1) |
【本文地址】