车辆识别 (练习用,代码不完整)

这篇博客主要探讨了车辆识别技术的应用,虽然提供了部分代码,但请注意这仅是一个练习案例,代码并不完整。通过阅读,读者可以了解到车辆识别的基本流程和关键算法。
摘要由CSDN通过智能技术生成
import cv2
import matplotlib.pyplot as plt
import os, glob
from Parking import Parking


def img_process(test_images, park):
    # 1.使用cv2.iRange进行第一步过滤,并转化为GRAY图像
    first_step_images = list(map(park.filter_RGB, test_images))  # 使用map可以将函数作用到list的每一个成员
    park.show_images(first_step_images)
    # 2.基于一些先验坐标进行二次过滤
    second_step_images = list(map(park.select_ROI, first_step_images))
    park.show_images(second_step_images)
    # 3.保留符合要求的直线信息,进行第三次过滤
    LineInfo = list(map(park.LineInfo, second_step_images))
    third_step_images = []
    Lines = []
    test_image_copy = test_images.copy()
    for (image, lines) in zip(test_image_copy, LineInfo):
        for line in lines:
            for x1, y1, x2, y2 in line:
              # image = cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0))
                Lines.append((x1, y1, x2, y2)) # 列表不可哈希,元组却可以
        third_step_images.append(image)
    park.show_images(third_step_images)
    # 4.对这些直线数据排序,大致给出每个车位的位置,第四次过滤
    image_copy = test_images.copy()
    (car_pos0, fourst_step_images0) = park.ComputerParkingPos(Lines, image_copy[0])
    (car_pos1, fourst_step_images1) = park.ComputerParkingPos(Lines, image_copy[1])
    (car_pos, fourst_step_images) = list(zip((car_pos0, fourst_step_images0),(car_pos1, fourst_step_images1)))
    park.show_images(fourst_step_ima
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值