點擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

當(dāng)今時代最令人頭疼的事情就是找不到停車位，尤其是找20分鐘還沒有找到停車位。

根據(jù)復(fù)雜性和效率的不同，任何問題都具有一個或多個解決方案。目前智能停車系統(tǒng)的解決方案，主要包括基于深度學(xué)習(xí)實現(xiàn)，以及基于重量傳感器、光傳感器實現(xiàn)等。

本期我們將一起通過使用攝像頭和少量代碼來實現(xiàn)最簡單的智能停車系統(tǒng)。該解決方案所使用的概念非常簡單。它由具有以下兩個腳本組成：

將該解決方案分成兩個腳本的原因是，避免在每次確定是否有可用停車位的時候，就進(jìn)行停車位的選擇。

為了使這一過程盡可能簡單，從現(xiàn)在開始，我們將這兩個腳本稱為selector和detector。

相關(guān)依賴

在本文中，我們使用python 3.7.6，但其他版本（例如3.6或3.8）當(dāng)然也可以使用。首先我們要檢查python的版本，我們通過在控制臺中編寫python –version，即可返回已安裝的python版本。

C:\Users\Razvan>python --versionPython 3.7.6

在開始構(gòu)建該系統(tǒng)依賴項之前，我們可以設(shè)置一個虛擬環(huán)境。通過以下鏈接我們可以了解更多有關(guān)虛擬環(huán)境的信息https://docs.python.org/3.7/tutorial/venv.html。

也可以使用conda創(chuàng)建和管理環(huán)境。有關(guān)更多信息見https://docs.anaconda.com/anaconda/。

在python中設(shè)置完所有內(nèi)容后， 最重要的依賴關(guān)系將是OpenCV庫。通過pip將其添加到虛擬環(huán)境中，可以運行pip install opencv-python。

要檢查所有設(shè)置是否正確，我們可以使用以下cv2.__version__命令打印環(huán)境中可用的當(dāng)前OpenCV版本。

(OpenCV) C:\Users\Razvan>pythonPython 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32Type "help", "copyright", "credits" or "license" for more information.>>> import cv2>>> print(cv2.__version__)4.2.0>>>

在第一行中，我們可以看到在該項目中使用了名為OpenCV的虛擬環(huán)境。

步驟

首先，我們需要安裝一個停車場攝像頭。由于我們并沒有一個窗戶可以看到的任何停車場，因此我們選擇使用舊汽車玩具和印刷紙。另外，我在停車場上方設(shè)置了一個網(wǎng)絡(luò)攝像頭，以獲取良好的圖像，因此我們正在處理的圖像如下所示：

selector選擇器

接下來，我們來介紹編碼部分。首先，我們需要構(gòu)建選擇器。我們從導(dǎo)入所需模塊開始

import cv2import csv

之后，我們開始獲取圖像，在該圖像上選擇停車位。為此，我們可以選擇攝網(wǎng)絡(luò)攝像頭提供的第一幀，保存并使用該圖像選擇停車位。下面的代碼是這樣的：

VIDEO_SOURCE = 1
cap = cv2.VideoCapture(VIDEO_SOURCE)suc, image = cap.read()cv2.imwrite("frame0.jpg", image)cap.release()cv2.destroyAllWindows()img = cv2.imread("frame0.jpg")

現(xiàn)在，我們已經(jīng)保存了第一幀并在img變量中將其打開，可以使用selectROIs函數(shù)標(biāo)記停車位。ROI被定義為感興趣的區(qū)域，代表圖像的一部分，我們將在其上應(yīng)用不同的函數(shù)以及濾波器來獲取結(jié)果。

返回到selectROIs函數(shù)，這將返回一個列表（類型：numpy.ndarray），其中包含我們組裝圖像所需的數(shù)字及其邊界ROI。

r = cv2.selectROIs('Selector', img, showCrosshair = False, fromCenter = False)

我們的列表將保存在變量r中。賦予cv2.selectROIs函數(shù)的參數(shù)如下：

選擇所有停車位之后，是時候?qū)⑺鼈儗懭?/span>.csv文件了。為此，我們需要將r變量轉(zhuǎn)換為python列表，可以使用rlist = r.tolist()命令實現(xiàn)。

擁有適當(dāng)?shù)臄?shù)據(jù)后，我們將其保存到.csv文件中，以備將來使用。

with open('data/rois.csv', 'w', newline='') as outf:  csvw = csv.writer(outf)  csvw.writerows(rlist)

detector探測器

現(xiàn)在我們已經(jīng)選擇了停車位，是時候進(jìn)行一些圖像處理了。解決這個問題的方法如下：

對于所有這些操作，我們需要定義一個要應(yīng)用于每個位置的函數(shù)。該函數(shù)如下所示：

def drawRectangle(img, a, b, c, d):    sub_img = img[b:b + d, a:a + c]    edges = cv2.Canny(sub_img, lowThreshold, highThreshold)    pix = cv2.countNonZero(edges)
    if pix in range(min, max):        cv2.rectangle(img, (a, b), (a + c, b + d), (0, 255, 0), 3)        spots.loc += 1    else:        cv2.rectangle(img, (a, b), (a + c, b + d), (0, 0, 255), 3)

現(xiàn)在我們已經(jīng)實現(xiàn)了所需的功能，如果我們直接將其應(yīng)用于.csv文件中的每組坐標(biāo)效果可能并不好。因此我們做如下處理

首先，我們的有一些參數(shù)如果可以在腳本運行時（也可以在通過GUI）實時調(diào)整它們，那就更好了。為此，我們需要構(gòu)建一些軌跡欄。OpenCV為我們提供這項功能。

我們需要一個回調(diào)函數(shù)，該函數(shù)不執(zhí)行任何操作，但作為使用OpenCV創(chuàng)建軌跡欄的參數(shù)是必需的。實際上，回調(diào)參數(shù)具有明確定義的用途，但我們在此不使用它。要了解有關(guān)此內(nèi)容的更多信息，查閱OpenCV文檔。

def callback(foo):    pass

現(xiàn)在我們需要創(chuàng)建軌跡欄。我們將使用cv2.namedWindow和cv2.createTrackbar功能。

cv2.namedWindow('parameters')cv2.createTrackbar('Threshold1', 'parameters', 186, 700, callback)cv2.createTrackbar('Threshold2', 'parameters', 122, 700, callback)cv2.createTrackbar('Min pixels', 'parameters', 100, 1500, callback)cv2.createTrackbar('Max pixels', 'parameters', 323, 1500, callback)

現(xiàn)在，我們已經(jīng)創(chuàng)建了用于操作參數(shù)的GUI，只剩下一件事了。這就是圖像中可用斑點的數(shù)量。在drawRectangle中定義為spot.loc。這是一個靜態(tài)變量，必須在程序開始時進(jìn)行定義。該變量為靜態(tài)變量的原因是，我們希望調(diào)用的每個drawRectangle函數(shù)都將其寫入相同的全局變量，而不是每個函數(shù)都使用一個單獨的變量。這樣可以防止返回的可用空間數(shù)量大于實際的可用空間數(shù)量。

為了實現(xiàn)這一點，我們只需要使用它的loc靜態(tài)變量創(chuàng)建spots類。

class spots:    loc = 0

現(xiàn)在我們已經(jīng)準(zhǔn)備就緒，只需要從.csv文件中獲取數(shù)據(jù)，將其所有數(shù)據(jù)轉(zhuǎn)換為整數(shù)，然后在無限循環(huán)中應(yīng)用構(gòu)建的函數(shù)即可。

with open('data/rois.csv', 'r', newline='') as inf:    csvr = csv.reader(inf)    rois = list(csvr)
rois = [[int(float(j)) for j in i] for i in rois]VIDEO_SOURCE = 1cap = cv2.VideoCapture(VIDEO_SOURCE)
while True:    spots.loc = 0
    ret, frame = cap.read()    ret2, frame2 = cap.read()    min = cv2.getTrackbarPos('Min pixels', 'parameters')    max = cv2.getTrackbarPos('Max pixels', 'parameters')    lowThreshold = cv2.getTrackbarPos('Threshold1', 'parameters')    highThreshold = cv2.getTrackbarPos('Threshold2', 'parameters')
    for i in range(len(rois)):        drawRectangle(frame, rois[i][0], rois[i][1], rois[i][2], rois[i][3])
    font = cv2.FONT_HERSHEY_SIMPLEX    cv2.putText(frame, 'Available spots: ' + str(spots.loc), (10, 30), font, 1, (0, 255, 0), 3)    cv2.imshow('Detector', frame)
    canny = cv2.Canny(frame2, lowThreshold, highThreshold)    cv2.imshow('canny', canny)
    if cv2.waitKey(1) & 0xFF == ord('q'):        break
cap.release()cv2.destroyAllWindows()

拓展

在我們的循環(huán)中實際上只是調(diào)用的構(gòu)建函數(shù)要復(fù)雜一點。

首先，我們將空間的數(shù)量初始化為0，以防止每幀添加數(shù)字。

其次，我們進(jìn)入兩個處理流以顯示真實圖像和已處理的圖像。這有助于更好地了解此腳本的工作方式以及圖像的處理方式。

然后，我們需要在每次迭代中獲取我們創(chuàng)建的參數(shù)?GUI中的參數(shù)值。這是通過cv2.getTrackbarPos功能完成的。

接下來最重要的部分，將drawRectangle函數(shù)應(yīng)用到Selector腳本獲取的所有坐標(biāo)上。

最后，在結(jié)果圖像上寫下可用斑點的數(shù)量，顯示Canny函數(shù)的結(jié)果，顯然，這是一種眾所周知的停止循環(huán)的方法。

我們現(xiàn)在便完成了一個智能停車項目！

總結(jié)

如今，智能停車已成為熱門話題之一，并且有許多實現(xiàn)方式可以導(dǎo)致良好的功能系統(tǒng)。我們這處理方法并不是完美的，有許多方法可以更好地優(yōu)化結(jié)果，并且可以在更多情況下使用。但是，即使這不能解決停車場危機，也可能是導(dǎo)致危機 的主要原因。

個人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱