Python中使用Opencv开发停车位计数器功能
目录
- 1. 环境安装
- 1.1 安装并激活虚拟环境
- 1.2 python包安装
- 2. 绘制停车位矩形框
- 2.1 导入停车场图片
- 2.2 绘制矩形框 定位停车位
- 2.3 鼠标添加、删除停车位
- 3. 停车位视频分析
- 3. 1 停车监控视频
- 3. 2 截取停车位
- 3. 3 图像处理
- 3. 4 判断停车位是否被占用
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。
1. 环境安装
1.1 安装并激活虚拟环境
python -m venv venv
cd venv\Scripts .\activate.bat
1.2 python包安装
pip install opencv-python
2. 绘制停车位矩形框
2.1 导入停车场图片
import cv2 import pickle img=cv2.imread('carParkImg.png') cv2.imshow("image",img)
2.2 绘制矩形框 定位停车位
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
2.3 鼠标添加、删除停车位
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
3. 停车位视频分析
3. 1 停车监控视频
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)
- cv2.CAP_PROP_POS_FRAMES :视频播放当前帧
- cv2.CAP_PROP_FRAME_COUNT :视频总帧数
即:当前视频播放到结尾时,重新播放
3. 2 截取停车位
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)
3. 3 图像处理
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
3. 4 判断停车位是否被占用
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
到此这篇关于Python中使用Opencv开发停车位计数器的文章就介绍到这了,更多相关python Opencv停车位计数器内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!