Python中使用Opencv開發(fā)停車位計數(shù)器功能
更新時間：2022年04月04日 11:43:48 作者：@BangBang
這篇文章主要介紹了Python中使用Opencv開發(fā)停車位計數(shù)器,本教程最好的一點就是我們將使用基本的圖像處理技術來解決這個問題,沒有使用機器學習、深度學習進行訓練來識別，感興趣的朋友跟隨小編一起看看吧
在這個項目中，我們將創(chuàng)建一個停車位計數(shù)器。我們會發(fā)現(xiàn)總共有多少輛車，以及有多少停車位是空的。關于本教程最好的一點是，我們將使用基本的圖像處理技術來解決這個問題,沒有使用機器學習、深度學習進行訓練來識別。
1. 環(huán)境安裝
1.1 安裝并激活虛擬環(huán)境
python -m venv venv
cd venv\Scripts .\activate.bat
1.2 python包安裝
pip install opencv-python
2. 繪制停車位矩形框
2.1 導入停車場圖片
import cv2
import pickle
img=cv2.imread('carParkImg.png')
cv2.imshow("image",img)
2.2 繪制矩形框 定位停車位
import cv2
import pickle
img=cv2.imread('carParkImg.png')
cv2.rectangle(img,(50,192),(157,240),(255,0,255),2) #坐標位置可以多次嘗試確定
cv2.imshow("image",img)
cv2.waitKey(0)
可以看出，每個停車位的估計寬、高為:
width=107 # 157-102 height = 48 # 240 - 192
2.3 鼠標添加、刪除停車位
import cv2
import pickle
img=cv2.imread('carParkImg.png')
width,height = 107,48
posList = [] # 鼠標點擊的坐標集合
def mouseClick(events,x,y,flags,params):
if events == cv2.EVENT_LBUTTONDOWN:
posList.append((x,y))
while True:
img = cv2.imread("carParkImg.png")
cv2.imshow("images",img)
for pos in posList:
cv2.rectangle(img,pos,(pos[0]+width,pos[1]+height),(255,0,255),2) #坐標位置可以多次嘗試確定
cv2.imshow("image",img)
cv2.setMouseCallback("images",mouseClick)
if cv2.waitKey(10) & 0xFF== ord('q'):
break
通過鼠標點擊在任何位置添加矩形框，但當矩形框位置出錯時，無法進行刪除。因此通過添加鼠標右鍵的事件，刪除錯誤的矩形框。
def mouseClick(events,x,y,flags,params): if events == cv2.EVENT_LBUTTONDOWN: posList.append((x,y)) if events == cv2.EVENT_RBUTTONDOWN: for i,pos in enumerate(posList): x1,y1=pos if x1 < x < x1 +width and y1 < y <y1 +height: posList.pop(i)
通過pickle.dump()保持保存鼠標點擊的位置信息。
with open('CarParkPos','wb') as f:
pickle.dump(posList,f)
通過pickle.load()加載保存好的位置信息，即在原有的停車位添加或刪除停車位，而不是每一幀畫面重新繪制。
with open('CarParkPos','wb') as f:
posList = pickle.load(f)
完整代碼如下：
import cv2
import pickle
img=cv2.imread('carParkImg.png')
width,height = 107,48
try:
with open('CarParkPos','rb') as f:
posList = pickle.load(f)
except:
posList = []
# posList = [] # 鼠標點擊的坐標集合
def mouseClick(events,x,y,flags,params):
if events == cv2.EVENT_LBUTTONDOWN:
posList.append((x,y))
if events == cv2.EVENT_RBUTTONDOWN:
for i,pos in enumerate(posList):
x1,y1=pos
if x1 < x < x1 +width and y1 < y <y1 +height:
posList.pop(i)
with open('CarParkPos','wb') as f:
pickle.dump(posList,f)
while True:
img = cv2.imread("carParkImg.png")
for pos in posList:
cv2.rectangle(img,pos,(pos[0]+width,pos[1]+height),(255,0,255),2) #坐標位置可以多次嘗試確定
cv2.imshow("image",img)
cv2.setMouseCallback("image",mouseClick)
if cv2.waitKey(10) & 0xFF== ord('q'):
break
3. 停車位視頻分析
3. 1 停車監(jiān)控視頻
import cv2
import pickle
import cvzone
import numpy as np
# Video feed
cap = cv2.VideoCapture('carPark.mp4')
while True:
success,img= cap.read()
cv2.imshow("Image",img)
if cv2.waitKey(10) & 0xFF== ord('q'):
break
視頻時間比較短，為了讓視頻循環(huán)播放，添加如下代碼:
if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT): cap.set(cv2.CAP_PROP_POS_FRAMES,0)
- cv2.CAP_PROP_POS_FRAMES ：視頻播放當前幀
- cv2.CAP_PROP_FRAME_COUNT ：視頻總幀數(shù)
即：當前視頻播放到結尾時，重新播放
3. 2 截取停車位
截取停車位，回來對每個停車位進行圖像處理，從而分析該停車位是否被占用
def checkParkingSpace():
for pos in posList:
x,y = pos
imgCrop=img[y:y+height,x:x+width]
cv2.imshow(str(x*y),imgCrop)
3. 3 圖像處理
對圖像二值化、高斯模糊處理
imgGray =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) imgBlur =cv2.GaussianBlur(imgGray,(3,3),1)
利用自適應二值化對圖像進行處理
imgThreshold=cv2.adaptiveThreshold(imgBlur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV,25,16)
cv2.adaptiveThreshold 參數(shù)的選擇可以通過TrackBar拖到滾動條，直到選擇合適的數(shù)值。
可以看出停車位上有車輛時白色像素點比較多，停車位沒有車輛時，白色像素點很少甚至沒有，因此我們可以基于白色像素點數(shù)量來確定該車為是否被占用。同時可以看到當停車位為空時存在一些椒鹽噪聲，通過medianBlur來處理椒鹽噪聲
imgMedian = cv2.medianBlur(imgThreshold,5)
可以看出椒鹽噪聲少了一部分。
使用dilate(膨脹)增強白色像素值，便于更好區(qū)分每個停車位是否被占用
kernel=np.ones((3,3),np.uint8); imgDilate=cv2.dilate(imgMedian,kernel,iterations=1)
可以看出白色的輪廓比之前加厚了
3. 4 判斷停車位是否被占用
截取每個停車位，經(jīng)過處理后的圖像，統(tǒng)計白色像素的數(shù)量
修改checkParkingSpace函數(shù)，將處理好的圖像傳入函數(shù)
def checkParkingSpace(imgProc):
for pos in posList:
x,y = pos
imgCrop=imgProc[y:y+height,x:x+width]
count=cv2.countNonZero(imgCrop)
cvzone.putTextRect(img,str(count),(x,y+height-3,scale =1.5,thickness=2,offset=0)
對比可以看出，占有車位的數(shù)值比較大1000-2000，空車位的200-500，數(shù)值的差距比較大。
畫出所有停車位，對比找出合適的閾值，區(qū)分停車位為空還是被占用了。
可以看出停車位為空時，值為0-600，而停車位被占用，值為：960-2300，因此我們設定閾值為750。所以低于750此時停車位沒有車，高于950則停車位有車。
加上文字描述
代碼
import cv2
import pickle
import cvzone
import numpy as np
# Video feed
cap = cv2.VideoCapture('carPark.mp4')
with open('CarParkPos','rb') as f:
posList = pickle.load(f)
width,height=107,48
def checkParkingSpace(imgProc):
spaceCounter=0
for pos in posList:
x,y = pos
imgCrop=imgProc[y:y+height,x:x+width]
count=cv2.countNonZero(imgCrop)
if count < 950:
color = (0,255,0)
thickness = 5
spaceCounter +=1
else:
color = (0,0,255)
thickness = 2
cv2.rectangle(img,pos,(pos[0]+width,pos[1]+height),color,thickness=thickness)
cvzone.putTextRect(img,str(count),(x,y+height-5),scale =1.5,thickness=2,offset=0,colorR=color)
cvzone.putTextRect(img,f'Free{spaceCounter}/{len(posList)}',(100,50),scale =3,thickness=5,offset=20,colorR=(0,200,0))
while True:
if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT):
cap.set(cv2.CAP_PROP_POS_FRAMES,0)
success,img= cap.read()
imgGray =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
imgBlur =cv2.GaussianBlur(imgGray,(3,3),1)
imgThreshold=cv2.adaptiveThreshold(imgBlur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV,25,16)
imgMedian = cv2.medianBlur(imgThreshold,5)
kernel=np.ones((3,3),np.uint8);
imgDilate=cv2.dilate(imgMedian,kernel,iterations=1)
checkParkingSpace(imgDilate)
# for pos in posList:
# cv2.rectangle(img,pos,(pos[0]+width,pos[1]+height),(255,0,255),2)
cv2.imshow("Image",img)
# cv2.imshow("imgBlur",imgBlur)
# cv2.imshow("imgThreshold",imgThreshold)
# cv2.imshow("imgMedian",imgMedian)
# cv2.imshow("imgDilate",imgDilate)
if cv2.waitKey(10) & 0xFF== ord('q'):
break
最終效果如下：
源碼鏈接：https://github.com/yuanxinshui/Opencv-project/tree/main/39%20Parking%20Space%20Counter
到此這篇關于Python中使用Opencv開發(fā)停車位計數(shù)器的文章就介紹到這了,更多相關python Opencv停車位計數(shù)器內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了python實現(xiàn)數(shù)組平移K位問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-02-02
python調(diào)用pymssql包操作SqlServer數(shù)據(jù)庫的實現(xiàn)
本文主要介紹了python調(diào)用pymssql包操作SqlServer數(shù)據(jù)庫的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-06-06
深度學習已經(jīng)成為機器學習中最受歡迎和發(fā)展最快的領域。深度學習的常見應用包括語音識別、圖像識別、自然語言處理、推薦系統(tǒng)等等。本文將通過一些示例代碼，帶你詳細了解深入學習2021-12-12
在本篇文章里小編給大家整理了關于Flask中sqlalchemy模塊的實例用法，需要的朋友們可以學習下。2020-08-08
python調(diào)用OpenCV實現(xiàn)人臉識別功能
這篇文章主要為大家詳細介紹了python調(diào)用OpenCV實現(xiàn)人臉識別功能，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-05-05
pandas中DataFrame提供了一個靈活高效的groupby功能,它使你能以一種自然的方式對數(shù)據(jù)集進行切片、切塊、摘要等操作,下面這篇文章主要給大家介紹了關于Python?groupby函數(shù)詳解的相關資料,需要的朋友可以參考下2022-07-07
這篇文章主要為大家詳細介紹了python利用可視化技巧實現(xiàn)煙花綻放效果，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-01-01
這篇文章主要為大家介紹了數(shù)字圖像處理基本運算如何用Python詳細點運算來處理數(shù)字圖像有需要的朋友可以借鑒參考下，希望能夠有所幫助2021-09-09
最近線上運行的一個python任務負責處理一批數(shù)據(jù),為提高處理效率,使用了python進程池,并會打印log,本文給大家分析了Python進程池log死鎖問題以及解決方法,需要的朋友可以參考下2024-01-01
Python socket如何實現(xiàn)服務端和客戶端數(shù)據(jù)傳輸(TCP)
這篇文章主要介紹了Python socket如何實現(xiàn)服務端和客戶端數(shù)據(jù)傳輸(TCP)，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-05-05