使用计算机视觉实现停车位(可用)自动计数(amazing)

 如何实现停车位自动计数？对于这个问题，第一个回答就是使用深度学习，构建卷积神经网络，通过使用大量的数据进行训练，使得程序具有识别停车位的能力。当然，这是一个方法。很显然，这个方法比较复杂，需要大量的数据集。对于，一般电脑的Gpu，处理时间太长。在这里，我将从另一个角度——图像角度，准确来说，应该是像素角度来进行这项工作。

前期准备：确保计算机中已安装下列第三方库

1,opencv-python

2,pickle

3,cvzone

4,numpy

5,pycharm或其它IDE(建议使用pycharm）

安装方法，通过命令行窗口安装(pip install 库名)，对于pycharm,则可以通过file菜单，setting目录下的python Interpreter 窗口安装。（安装成功与否与网络好坏有较大关系)

 本项目分为两大部分

第一部分：检测位置标注(这里用的是手动标注，当然，要实现自动标注有较大的难度）

要标注的场景图片：

标注后的图片：

也就是把要检测停车位都标注出来(用框框圈起来就行,大小要合适，不然影响检测)

代码实现：

import cv2
import pickle

width, height = 107, 48#经过标注尝试，得出的停车位大小

try:
    with open('CarParkPos', 'rb') as f:#rb,只读模式
        posList = pickle.load(f)
except:
    posList = []


def mouseClick(events, x, y, flags, params):
    if events == cv2.EVENT_LBUTTONDOWN:#鼠标左击
        posList.append((x, y))#记录鼠标点击位置
    if events == cv2.EVENT_RBUTTONDOWN:#鼠标右击
        for i, pos in enumerate(posList):
            x1, y1 = pos
            if x1 < x < x1 + width and y1 < y < y1 + height:
                posList.pop(i)#删除鼠标点击位置
    with open('CarParkPos', 'wb') as f:#wb,覆盖写模式，文件不存在则创建，存在则完全覆盖
        pickle.dump(posList, f)


while True:
    img = cv2.imread('carParkImg.png')#读取图片
    for pos in posList:
        cv2.rectangle(img, pos, (pos[0] + width, pos[1] + height), (255, 0, 255), 2)#画框框

    cv2.imshow("Image", img)
    cv2.setMouseCallback("Image", mouseClick)#监测鼠标函数
    cv2.waitKey(1)

注意：车位的高度和宽度，是通过数次标注实验来确定的

也就是不断通过改变width和height的值，如果发现框框非常合适时，那么这时的width和height就比较合适。

标注过程：

，时长00:47

第二部分：

有了第一部分的标注，准备工作也就完全做好了，接下来，就是如何判断，车位有车，和无车了。下面看一个视频，

，时长00:17

不难发现，在车位上有车时，该车位的像素点多，而无车时，像素点相当少。于是基本思想就是：

将视频进行转化，(原视频不变）再计算每个车位的像素数量，通过像素数量(设定一个阈值)的多少来判断车辆的有无。

代码如下：

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(imgPro):
    spaceCounter = 0

    for pos in posList:
        x, y = pos

        imgCrop = imgPro[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)
        cvzone.putTextRect(img, str(count), (x, y + height - 3), scale=1,
                           thickness=2, offset=0, colorR=color)

    cvzone.putTextRect(img, f'Free: {spaceCounter}/{len(posList)}', (100, 50), scale=3,
                           thickness=5, offset=20, colorR=(0,255,0))
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)#黑白图像
    kernel = np.ones((3, 3), np.uint8)
    imgDilate = cv2.dilate(imgMedian, kernel, iterations=1)

    checkParkingSpace(imgDilate)
    cv2.imshow("Image", img)
    #cv2.imshow("ImageBlur", imgBlur)
    #cv2.imshow("ImageThres", imgMedian)
    cv2.waitKey(10)

结果：

，时长00:25

（后期加工过，配上了音乐和一些字)

车位空余量与总量清晰的显示在了视频上。当然，由于这个视频拍摄时存在抖动，而实际中，大多都是固定的，所以检测效果会更好。

这也启发我们，在考虑问题时，一定要从多方面来考虑。尽量运用较为简单的知识去做出较为准确的结果。有时，简单反而是更加有效的！