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
车辆识别 (练习用,代码不完整)
最新推荐文章于 2022-07-09 22:00:00 发布
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