在这个项目中，我们将创建一个停车位计数器。我们会发现总共有多少辆车，以及有多少停车位是空的。关于本教程最好的一点是，我们将使用基本的图像处理技术来解决这个问题,没有使用机器学习、深度学习进行训练来识别。
python -m venv venv
cd venv\Scripts .\activate.bat
pip install opencv-python
import cv2
import pickle
img=cv2.imread('carParkImg.png')
cv2.imshow("image",img)
import cv2
import pickle
img=cv2.imread('carParkImg.png')
cv2.rectangle(img,(50,192),(157,240),(255,0,255),2) #坐标位置可以多次尝试确定
cv2.imshow("image",img)
cv2.waitKey(0)
可以看出，每个停车位的估计宽、高为:
width=107 # 157-102 height = 48 # 240 - 192
import cv2
import pickle
img=cv2.imread('carParkImg.png')
width,height = 107,48
posList = [] # 鼠标点击的坐标集合
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) #坐标位置可以多次尝试确定
cv2.imshow("image",img)
cv2.setMouseCallback("images",mouseClick)
if cv2.waitKey(10) & 0xFF== ord('q'):
break
通过鼠标点击在任何位置添加矩形框，但当矩形框位置出错时，无法进行删除。因此通过添加鼠标右键的事件，删除错误的矩形框。
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)
通过pickle.dump()保持保存鼠标点击的位置信息。
with open('CarParkPos','wb') as f:
pickle.dump(posList,f)
通过pickle.load()加载保存好的位置信息，即在原有的停车位添加或删除停车位，而不是每一帧画面重新绘制。
with open('CarParkPos','wb') as f:
posList = pickle.load(f)
完整代码如下：
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 = [] # 鼠标点击的坐标集合
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) #坐标位置可以多次尝试确定
cv2.imshow("image",img)
cv2.setMouseCallback("image",mouseClick)
if cv2.waitKey(10) & 0xFF== ord('q'):
break
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
视频时间比较短，为了让视频循环播放，添加如下代码:
if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT): cap.set(cv2.CAP_PROP_POS_FRAMES,0)
即：当前视频播放到结尾时，重新播放
截取停车位，回来对每个停车位进行图像处理，从而分析该停车位是否被占用
def checkParkingSpace():
for pos in posList:
x,y = pos
imgCrop=img[y:y+height,x:x+width]
cv2.imshow(str(x*y),imgCrop)
对图像二值化、高斯模糊处理
imgGray =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) imgBlur =cv2.GaussianBlur(imgGray,(3,3),1)
利用自适应二值化对图像进行处理
imgThreshold=cv2.adaptiveThreshold(imgBlur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV,25,16)
cv2.adaptiveThreshold 参数的选择可以通过TrackBar拖到滚动条，直到选择合适的数值。
可以看出停车位上有车辆时白色像素点比较多，停车位没有车辆时，白色像素点很少甚至没有，因此我们可以基于白色像素点数量来确定该车为是否被占用。同时可以看到当停车位为空时存在一些椒盐噪声，通过medianBlur来处理椒盐噪声
imgMedian = cv2.medianBlur(imgThreshold,5)
可以看出椒盐噪声少了一部分。
使用dilate(膨胀)增强白色像素值，便于更好区分每个停车位是否被占用
kernel=np.ones((3,3),np.uint8); imgDilate=cv2.dilate(imgMedian,kernel,iterations=1)
可以看出白色的轮廓比之前加厚了
截取每个停车位，经过处理后的图像，统计白色像素的数量
修改checkParkingSpace函数，将处理好的图像传入函数
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)
对比可以看出，占有车位的数值比较大1000-2000，空车位的200-500，数值的差距比较大。
画出所有停车位，对比找出合适的阈值，区分停车位为空还是被占用了。
可以看出停车位为空时，值为0-600，而停车位被占用，值为：960-2300，因此我们设定阈值为750。所以低于750此时停车位没有车，高于950则停车位有车。
加上文字描述
代码
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
最终效果如下：
源码链接：https://github.com/yuanxinshui/Opencv-project/tree/main/39%20Parking%20Space%20Counter
