基于OpenCV的實(shí)時(shí)停車(chē)地點(diǎn)查找

點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

簡(jiǎn)介

我們常常會(huì)在停車(chē)場(chǎng)周?chē)奶幮旭偤芏啻蝸?lái)尋找一個(gè)停車(chē)位，如果我們的電話可以準(zhǔn)確告訴我們最近的停車(chē)位在哪里，那是不是很方便！

事實(shí)證明，使用深度學(xué)習(xí)和OpenCV解決這個(gè)問(wèn)題相對(duì)容易。所需要的只是停車(chē)場(chǎng)的鳥(niǎo)瞰圖，我們的模型中將突出顯示LA機(jī)場(chǎng)停車(chē)場(chǎng)上的所有可用停車(chē)位，并顯示可用停車(chē)位的數(shù)量，而且具有很好的實(shí)時(shí)性。

實(shí)時(shí)停車(chē)位檢測(cè)

步驟概述

建立此停車(chē)檢測(cè)模型的主要步驟有兩個(gè)：

? 檢測(cè)所有可用停車(chē)位的位置

? 識(shí)別停車(chē)位是否空置或有人占用

由于這里安裝了攝像機(jī)視圖，因此我們可以使用OpenCV對(duì)每個(gè)停車(chē)位進(jìn)行一次映射。一旦知道了每個(gè)停車(chē)位的位置，便可以使用深度學(xué)習(xí)來(lái)預(yù)測(cè)其是否空置。

檢測(cè)所有可用停車(chē)位的位置

我用來(lái)檢測(cè)停車(chē)位的基本思想是，這里的所有停車(chē)位分隔線都是水平線，列中的停車(chē)位之間的間距大致相等。我首先使用Canny邊緣檢測(cè)來(lái)獲取邊緣圖像。我還掩蓋了沒(méi)有停車(chē)位的區(qū)域。見(jiàn)下文：

卡尼邊緣檢測(cè)輸出

然后，我們?cè)谶吘増D像上進(jìn)行了hough線變換，繪制出了所有可以識(shí)別的線。僅通過(guò)選擇斜率接近零的線來(lái)隔離水平線。請(qǐng)參見(jiàn)下面的霍夫變換輸出：

使用HoughLines進(jìn)行線檢測(cè)

如大家所見(jiàn)，hough線在識(shí)別停車(chē)線方面做得相當(dāng)不錯(cuò)，但是輸出并不干凈-多次檢測(cè)到多條停車(chē)線，而有些漏掉了。那么我們?nèi)绾吻謇砟兀?/span>

使用線返回的坐標(biāo)，我們對(duì)x觀測(cè)值進(jìn)行了聚類，以識(shí)別主要的停車(chē)車(chē)道。聚類邏輯通過(guò)識(shí)別檢測(cè)到的車(chē)道線的x坐標(biāo)中的間隙來(lái)工作。這使我可以在此處識(shí)別12條停車(chē)道。見(jiàn)下文

通過(guò)將hough線的x坐標(biāo)聚類來(lái)識(shí)別停車(chē)道

如果所有這些看起來(lái)都很復(fù)雜，請(qǐng)不要擔(dān)心-我們已經(jīng)逐步記錄了代碼：

https://github.com/priya-dwivedi/Deep-Learning/blob/master/parking_spots_detector/identify_parking_spots.ipynb

現(xiàn)在，我對(duì)所有停車(chē)位都非常了解，因此我通過(guò)假設(shè)所有停車(chē)位的大小相同來(lái)確定每個(gè)停車(chē)位，這是一個(gè)合理的假設(shè)。我仔細(xì)觀察了結(jié)果，以確保盡可能準(zhǔn)確地捕捉到斑點(diǎn)之間的邊界。我們終于能夠劃出每個(gè)停車(chē)位。

標(biāo)出每個(gè)停車(chē)位

現(xiàn)在完成了—我們可以為每個(gè)位置分配一個(gè)ID，并將其坐標(biāo)保存在字典中。我腌了這本字典，以便以后可以檢索。這是可能的，因?yàn)橐呀?jīng)安裝了相機(jī)，我們不需要一次又一次地計(jì)算視圖中每個(gè)點(diǎn)的位置。

識(shí)別斑點(diǎn)是否被標(biāo)記

現(xiàn)在我們有了停車(chē)地圖，我們認(rèn)為有幾種方法可以確定該地點(diǎn)是否有人居?。?/span>

? 使用OpenCV檢查斑點(diǎn)的像素顏色是否與空的停車(chē)點(diǎn)的顏色對(duì)齊。這是一種簡(jiǎn)單的方法，但容易出錯(cuò)。例如，照明的改變將改變一個(gè)空的停車(chē)位的顏色，這將使這種邏輯難以全天工作。同樣，如果有可能，邏輯將使灰色的汽車(chē)混淆為空的停車(chē)位

? 使用對(duì)象檢測(cè)來(lái)識(shí)別所有汽車(chē)，然后檢查汽車(chē)的位置是否與停車(chē)位重疊。我做了嘗試，發(fā)現(xiàn)可以實(shí)時(shí)工作的對(duì)象檢測(cè)模型在檢測(cè)小尺寸對(duì)象方面確實(shí)遇到了困難。被檢測(cè)到的汽車(chē)中不超過(guò)30％

? 使用CNN查看每個(gè)停車(chē)位，并預(yù)測(cè)是否有人占用。這種方法最終效果最佳

要構(gòu)建CNN，我們需要具有和不具有汽車(chē)的停車(chē)位圖像。我提取了每個(gè)斑點(diǎn)的圖像并將其保存在文件夾中，然后將這些圖像分組為是否占用。培訓(xùn)文件夾可以在以下鏈接中找到：

https://github.com/priya-dwivedi/Deep-Learning/tree/master/parking_spots_detector

由于在尺寸為1280x720的圖像中有近550個(gè)停車(chē)位，因此每個(gè)停車(chē)位的大小僅為15x60像素。請(qǐng)參見(jiàn)下面的空白圖片：

占用地點(diǎn)

空點(diǎn)

但是，由于占用的位置和空的位置看起來(lái)很不一樣，因此對(duì)于CNN來(lái)說(shuō)，這不是一個(gè)具有挑戰(zhàn)性的問(wèn)題

但是，對(duì)于這兩個(gè)類，我們只有大約550張圖像，因此決定使用轉(zhuǎn)移學(xué)習(xí)，方法是獲取VGG的前10層，并在VGG模型的輸出中添加一個(gè)softmax層。大家可以在以下鏈接中找到此遷移學(xué)習(xí)模型的代碼。該模型的驗(yàn)證精度為94％。見(jiàn)下文：

https://github.com/priya-dwivedi/Deep-Learning/blob/master/parking_spots_detector/CNN_model_for_occupancy.ipynb

CNN模型測(cè)試和訓(xùn)練精度

現(xiàn)在，我們將停車(chē)位檢測(cè)與CNN預(yù)測(cè)器結(jié)合起來(lái)，構(gòu)建了一個(gè)停車(chē)位檢測(cè)器。

空點(diǎn)預(yù)測(cè)

結(jié)論

現(xiàn)在，鏈接不同的工具并使用深度學(xué)習(xí)來(lái)構(gòu)建實(shí)際應(yīng)用變得如此容易，令我們感到十分驚訝。我們可以在兩個(gè)下午完成這項(xiàng)工作。

進(jìn)一步拓展的幾個(gè)其他想法：

? 如果可以使用深度學(xué)習(xí)將停車(chē)位檢測(cè)邏輯擴(kuò)展到在任何停車(chē)地圖上工作，那就太好了。OpenCV的局限性在于需要針對(duì)每個(gè)用例進(jìn)行調(diào)整

? CNN中使用的VGG模型相當(dāng)繁重。很想嘗試重量更輕的模型

代碼鏈接：https://github.com/priya-dwivedi/Deep-Learning/tree/master/parking_spots_detector

下載1：OpenCV黑魔法

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：OpenCV黑魔法，即可下載小編精心編寫(xiě)整理的計(jì)算機(jī)視覺(jué)趣味實(shí)戰(zhàn)教程

下載2 CVPR2020

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：CVPR2020，即可下載1467篇CVPR?2020論文
個(gè)人微信（如果沒(méi)有備注不拉群！）
請(qǐng)注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱

覺(jué)得有趣就點(diǎn)亮在看吧