目录

目标

整体流程

背景

详细讲解

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站

我们想要在一个实时的停车场监控视频中，看看要有多少个车以及有多少个空缺车位。然后我们可以标记空的，然后来车之后，实时告诉应该停在那里最方便、最近！！！实现现代的智能无人停车场！

采用基于OpenCV的图像处理方法来解决停车场空车位实时监测和精准定位问题。首先，将实时监控视频录像信息转化成图像信息。对图像进行形态学处理，然后定位停车场关键点，使用掩码图像与原始图像融合对停车位区域进行背景去除，处理之后采用霍夫直线检测的方法来检测停车位标记线，在画好线的图像中进行分割，分割出每一个停车位并编号。最后利用Keras神经网络对有车车位和空车位进行训练，对当前图像中车位是否为空闲进行判断并且实时更新，再以图像流输出，完成实时监测空车位的任务。

由于汽车工业的发展迅速以及人们生活水平的提高，我国汽车的保有量不断增长，而停车位的数量有限，从而出现停车困难以及停车效率低，浪费时间甚至造成拥堵、事故等。实时检测并掌握停车位的数目和空车位的位置信息可以避免资源以及时间的浪费，提高效率，也更便于停车位的管理。因此停车位可视化尤为重要。传统的基于视觉的停车位检测方法具有检测精度不高、场景环境要求高等问题。本文旨在通过边缘检测来进行停车位划分，对图像背景过滤再定位提取有用区域，进行车位是否空闲的判断并实时更新，再以图像流输出。

首先我们需要了解的就是对于一个视频来说，它是由一帧一帧的图像构成的，所以对于一段视频的处理就相当于对于图像进行处理，前一帧图像和后一帧处理图像的衔接那么就是一个视频处理的结果。 我们对于一个图像的处理，首先我们利用视频中的一张图来看一下停车场的某一帧图像。

这里就是一个停车场的其中一帧的一个图像，其实他这里有很多车，如果没有车的话，也就是说是一个空车场他的检测效果会非常的好。我们首先要对图像进行几个形态学的操作。其中包括灰度空间转换、图像二值化、以及边缘检测、轮廓检测以及掩码等等操作，下面我们一一介绍一下。 首先我们定义一个图像展示函数：

这里不多过多解释，就是一个把图像展示出来的函数。

这里是将图像转化为灰度图。

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,相当于过滤背景相当于过滤掉一些无用的东西，就是说把灰度级低于120或者高于255的都设置成0，0也就是黑色，把120-255中间的都设置成白色。相当于一个二值化图像的操作。处理之后的图像如下图。

然后我们进行了一下边缘检测。都是OpenCV的一些形态学操作。

这里是进行了一个边缘检测的结果。因为这里我们需要得到中间停车场的局部区域进行操作，所以我们需要进行一个提取感兴趣区间的一个操作。

这里这几个点是根据自己的项目而言的，我们目的就是用这六个点把整个停车场框起来，然后对框出来的图像进行一个提取。也称之为一个ROI区域。结果是这样。

这里的坐标我们自己进行定位操作，然后我们制造一个掩码图像，就是把标记的这六个点规划成一个区域ROI region，然后把区域内设置成白色像素值，把区域外设置成全黑像素值。然后做一个相当于图像和掩码的与操作。得到的结果就是：

最后得到的ROI区域就是：

这里我们就得到了一个停车场的大致轮廓，然后我们开始对停车场车位进行具体操作，首先我们先要检测一个停车场直线的操作，使用霍夫直线检测来做这个项目。

这里霍夫直线检测是定义好的一个模型，我们直接调用就可以。这里的参数我们介绍一下。

image：表示要处理的图像。 rho：表示处理的精度。精度越小检测的直线越精确，精度值设置的数值越大，那么检测的线段就越少。 theta：检测的直线角度，表示直线的角度不能超过哪个数值。如果超过这个阈值，就不定义为一条直线。 threshold：线的点定义阈值为15，这个要根据实施项目而定，构成线的像素点超过15才可以构成一条直线。 minLineLength：最小长度，这个不用过多解释，线的长度最小就是9. maxLineGap：线和线之间最大的间隔阈值，离得多近的都认为是一条直线。

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。