各位同學(xué)好，今天和大家分享一下如何使用Opencv完成停車場的車位檢測，及空余車位計(jì)數(shù)，先放張圖看效果。

紅框代表該車位有車，綠框代表該車位空余，左上角記錄有幾個(gè)空余車位，黃色數(shù)字代表該車位內(nèi)的像素個(gè)數(shù)，用于判斷車位上是否有車。

? ?

從圖中可以看到，由于視頻拍攝角度的問題，車位不是橫平豎直的，并且車位在屏幕上的大小和角度也是不相同的。需要用到旋轉(zhuǎn)矩形的操作，并調(diào)整單個(gè)矩形框使其能夠用于所有車位。

---

1. 處理旋轉(zhuǎn)矩形

首先，由于車位是矩形框經(jīng)過一定角度旋轉(zhuǎn)之后得到的，因此在先定義一個(gè)處理旋轉(zhuǎn)矩形的函數(shù)，把它其他py文件放在同路徑的目錄內(nèi)，這里命名為rotaParking.py

假設(shè)對圖片上任意點(diǎn)(x,y)，繞一個(gè)坐標(biāo)點(diǎn)(rx0,ry0)順時(shí)針旋轉(zhuǎn)a角度后的新的坐標(biāo)設(shè)為(x0, y0)，有公式：

x0 = (x - rx0) *?cos(a) - (y - ry0) * sin(a) + rx0?

y0 = (x - rx0) * sin(a) + (y - ry0) * cos(a) + ry0?

根據(jù)此公式，創(chuàng)建函數(shù)recRota完成旋轉(zhuǎn)矩形操作，后續(xù)在車位處理的py文件中直接調(diào)用它。返回值是img繪制旋轉(zhuǎn)矩形圖之后的圖像，以及angle是旋轉(zhuǎn)后的矩形的四個(gè)角的坐標(biāo)構(gòu)成的列表。

# 矩形框順時(shí)針旋轉(zhuǎn)
import cv2
import math# 傳入旋轉(zhuǎn)的參考點(diǎn)坐標(biāo)，矩形框左上角坐標(biāo)(x,y)，框的寬w和高h(yuǎn)，旋轉(zhuǎn)角度a
def angleRota(center_x, center_y, x, y, w, h, a):# 角度轉(zhuǎn)弧度a = (math.pi/180)*a# 旋轉(zhuǎn)前左上角坐標(biāo)x1, y1 = x, y# 右上角坐標(biāo)x2, y2 = x+w, y# 右下角坐標(biāo)x3, y3 = x+w, y+h# 左下角坐標(biāo)x4, y4 = x, y+h# 旋轉(zhuǎn)后的左上角坐標(biāo)，像素坐標(biāo)是整數(shù)px1 = int((x1 - center_x) * math.cos(a) - (y1 - center_y) * math.sin(a) + center_x)  py1 = int((x1 - center_x) * math.sin(a) + (y1 - center_y) * math.cos(a) + center_y)# 右上角坐標(biāo)px2 = int((x2 - center_x) * math.cos(a) - (y2 - center_y) * math.sin(a) + center_x)py2 = int((x2 - center_x) * math.sin(a) + (y2 - center_y) * math.cos(a) + center_y)# 右下角坐標(biāo)px3 = int((x3 - center_x) * math.cos(a) - (y3 - center_y) * math.sin(a) + center_x)  py3 = int((x3 - center_x) * math.sin(a) + (y3 - center_y) * math.cos(a) + center_y)# 左下角坐標(biāo)px4 = int((x4 - center_x) * math.cos(a) - (y4 - center_y) * math.sin(a) + center_x)  py4 = int((x4 - center_x) * math.sin(a) + (y4 - center_y) * math.cos(a) + center_y)# 保存每一個(gè)角的坐標(biāo)pt1 = (px1, py1)pt2 = (px2, py2)pt3 = (px3, py3)pt4 = (px4, py4)# 存儲每個(gè)角的坐標(biāo)angle = [pt1, pt2, pt3, pt4]# 返回調(diào)整后的坐標(biāo)return angle# 繪制旋轉(zhuǎn)后的矩形框
def drawLine(img, angle, color, thickness):# 分別繪制四條邊cv2.line(img, angle[0], angle[1], color, thickness)cv2.line(img, angle[1], angle[2], color, thickness)cv2.line(img, angle[2], angle[3], color, thickness)cv2.line(img, angle[3], angle[0], color, thickness)# 返回繪制好旋轉(zhuǎn)矩形的圖像return img# 矩形旋轉(zhuǎn)
def recRota(img, center_x, center_y, x1, y1, w, h, rota, draw=True):'''img： 原圖像(center_X, center_y)： 旋轉(zhuǎn)參考點(diǎn)的坐標(biāo)(x1, y1)： 矩形框左上角坐標(biāo)w： 矩形框的寬h： 矩形框的高rota： 順時(shí)針的旋轉(zhuǎn)角度，如：30°'''color = (255,255,0)  # 繪制停車線的線條顏色thickness = 2  # 停車線線條寬度#（1）計(jì)算旋轉(zhuǎn)一定角度后的四個(gè)角的坐標(biāo)angle = angleRota(x1, y1, x1, y1, w, h, rota)#（2）繪制旋轉(zhuǎn)后的矩形if draw == True:img = drawLine(img, angle, color, thickness)# 返回繪制后的圖像，以及矩形框的四個(gè)角的坐標(biāo)return img, angleelse:return angle

---

2. 處理單幀圖像，劃分車位

這里用到鼠標(biāo)響應(yīng) cv2.setMouseCallback() 可以在圖像上用鼠標(biāo)操作，觸發(fā)一些事件。

鼠標(biāo)響應(yīng)： setMousecallback(winname, onMouse, userdata=0)

參數(shù)：

winname： 窗口的名字

onMouse： 鼠標(biāo)響應(yīng)函數(shù)，回調(diào)函數(shù)。指定窗口里每次鼠標(biāo)時(shí)間發(fā)生的時(shí)候，被調(diào)用的函數(shù)指針。

userdate：傳給回調(diào)函數(shù)的參數(shù)?

回調(diào)函數(shù)：?onMouse(int event, x,?y,? flags,?param)

event： 是 CV_EVENT_*?變量之一

x和y： 鼠標(biāo)指針在圖像坐標(biāo)系的坐標(biāo)（像素坐標(biāo)）

flags： 是CV_EVENT_FLAG的組合

param： 是用戶定義的傳遞到setMouseCallback函數(shù)調(diào)用的參數(shù)

常用事件event變量：

cv2_EVENT_MOUSEMOVE 0    # 滑動 
cv2_EVENT_LBUTTONDOWN 1  # 左鍵點(diǎn)擊 
cv2_EVENT_RBUTTONDOWN 2  # 右鍵點(diǎn)擊 
cv2_EVENT_MBUTTONDOWN 3  # 中間點(diǎn)擊 
cv2_EVENT_LBUTTONUP 4    # 左鍵釋放 
cv2_EVENT_RBUTTONUP 5    # 右鍵釋放 
cv2_EVENT_MBUTTONUP 6    # 中間釋放 
cv2_EVENT_LBUTTONDBLCLK 7   # 左鍵雙擊 
cv2_EVENT_RBUTTONDBLCLK 8   # 右鍵雙擊 
cv2_EVENT_MBUTTONDBLCLK 9   # 中間釋放
cv2_EVENT_FLAG_LBUTTON 1    # 左鍵拖拽  
cv2_EVENT_FLAG_RBUTTON 2    # 右鍵拖拽  
cv2_EVENT_FLAG_MBUTTON 4    # 中間拖拽 
。。。。。。。。。。。。。。。。。。。

在本案例中，如果鼠標(biāo)左鍵單機(jī)圖像，那么就以鼠標(biāo)所在位置坐標(biāo)作為矩形框的左上角坐標(biāo)，每點(diǎn)一個(gè)就生成一個(gè)矩形框，將坐標(biāo)保存在 posList 中。如果畫錯了，那么就右鍵點(diǎn)擊需要刪除的矩形框，如果鼠標(biāo)位置在遍歷后的某個(gè)矩形框內(nèi)部，那么就在posList中刪除該矩形框的左上角坐標(biāo)，并在下一幀圖上不顯示該矩形框。

將每一次點(diǎn)擊后更新好了的posList坐標(biāo)信息保存在txt文件中，這樣在下一次打開文件時(shí)就不需要重復(fù)標(biāo)定矩形框。在讀取坐標(biāo)信息時(shí)使用try和except方法，如果這是第一次標(biāo)定，沒有生成過txt文件，那么try方法拋出異常，執(zhí)行except的方法。

在這一幀中標(biāo)定的坐標(biāo)，會在在下一幀中繪制，遍歷poList，以pos鼠標(biāo)所在坐標(biāo)為旋轉(zhuǎn)參考點(diǎn)坐標(biāo)，繪制旋轉(zhuǎn)矩形框。

import cv2
import pickle  # 將對象以文件的形式存放在磁盤上
from rotaParking import recRota  # 導(dǎo)入自定義的旋轉(zhuǎn)矩形框函數(shù)#（1）讀入圖片
filepath = 'C:\\GameDownload\\Deep Learning\\parking_car.jpg'
filename = 'parking_position.txt'  # 保存的車位坐標(biāo)# 只需要確定一個(gè)停車位的大小，就可以將這個(gè)矩形框用于所有車位
w, h = 90, 160  # 矩形框的寬和高# 運(yùn)行時(shí)讀取保存的車位坐標(biāo)，保留前一次畫好了的車位線
try:with open(filename, 'rb') as file_object:posList = pickle.load(file_object)# 第一次運(yùn)行時(shí)沒有寫過文件，那就執(zhí)行下面的，生成一個(gè)列表保存坐標(biāo)
except:# 創(chuàng)建一個(gè)列表接收觸發(fā)鼠標(biāo)事件后的坐標(biāo)信息posList = []#（2）創(chuàng)建一個(gè)回調(diào)函數(shù)，當(dāng)鼠標(biāo)事件觸發(fā)時(shí)，該函數(shù)執(zhí)行
# cv2.setMouseCallback的參數(shù)，在圖像上點(diǎn)擊鼠標(biāo)會發(fā)生什么
def onMouse(events, x, y, flag, params):# 如果在圖像上點(diǎn)擊鼠標(biāo)左鍵，那么就將鼠標(biāo)位置的(x,y)坐標(biāo)保存起來if events == cv2.EVENT_LBUTTONDOWN:# 接收鼠標(biāo)所在位置為xy坐標(biāo)posList.append((x,y))# 如果右鍵點(diǎn)擊就將這個(gè)坐標(biāo)從posList中刪除if events == cv2.EVENT_RBUTTONDOWN:# 如果當(dāng)前的坐標(biāo)點(diǎn)在某一個(gè)檢測框中就刪除這個(gè)檢測框for index, pos in enumerate(posList):# x和y代表鼠標(biāo)當(dāng)前所在位置if pos[0]<x<pos[0]+w and pos[1]<y<pos[1]+h:# 將這個(gè)pos坐標(biāo)移除posList.pop(index)#（3）確認(rèn)車位線后，把車位線坐標(biāo)保存下來，保存在一個(gè)文本中with open(filename, 'wb') as file_object: # 將列表轉(zhuǎn)換字符串寫入pickle.dump(posList, file_object)#（4）繪制停車線矩形框
while True:# 像視頻一樣不斷播放這一幀img = cv2.imread(filepath)# 遍歷鼠標(biāo)點(diǎn)擊的所有坐標(biāo)，該坐標(biāo)就是矩形框的左上角xy坐標(biāo)for pos in posList:# 繪制旋轉(zhuǎn)后的矩形，傳入原圖，旋轉(zhuǎn)參考點(diǎn)坐標(biāo)，矩形框左上角坐標(biāo)，框的寬w和高h(yuǎn)，逆時(shí)針轉(zhuǎn)4°img, angle = recRota(img, pos[0], pos[1], pos[0], pos[1], w, h, -4)    # 顯示圖像cv2.imshow('img', img)# 鼠標(biāo)點(diǎn)擊圖像，參數(shù)：窗口名必須和上面的名稱相同；傳入函數(shù)，如果點(diǎn)擊鼠標(biāo)會發(fā)生什么cv2.setMouseCallback('img', onMouse)# '0'圖像不會自動消失key = cv2.waitKey(0)  # 按任意鍵關(guān)閉圖像窗口cv2.destroyAllWindows()

繪制后的單幀圖像如下

---

3. 處理視頻，分割出所有車位

在對單幀圖像處理時(shí)，我們已經(jīng)將所有的車位分割出來，并記錄下左上角坐標(biāo)。接下來對視頻圖像處理時(shí)只需直接導(dǎo)入左上角坐標(biāo)點(diǎn)的txt文件。

從上圖可以看到，每個(gè)車位框是傾斜的，如果要分割出每個(gè)車位，必須使用切片方法，但切片出來的圖像是橫平豎直的。因此針對每一個(gè)車位框，都以該框的左上角為旋轉(zhuǎn)參考，旋轉(zhuǎn)整張幀圖像，將車位框擺正之后再切片。

圖像旋轉(zhuǎn)方法：

獲得旋轉(zhuǎn)變化矩陣： M = cv2.getRotationMatrix2D(center, angle, scale)

center： 圖像旋轉(zhuǎn)的參考點(diǎn)坐標(biāo)

angle： 旋轉(zhuǎn)角度(°)，正數(shù)代表逆時(shí)針，負(fù)數(shù)代表順時(shí)針

scale： 旋轉(zhuǎn)后的圖像是原來縮放后的多少倍

M： 計(jì)算得到的旋轉(zhuǎn)矩陣

旋轉(zhuǎn)變化： dst =?cv2.warpAffine(src, M, dsize, flags, borderMode, borderValue)

src： 需要變化的圖像

M：?旋轉(zhuǎn)變換矩陣

dsize： 輸出圖像的大小

flags： 插值方法的組合（int 類型）

borderMode： 邊界像素模式（int 類型）

borderValue： 邊界填充值，默認(rèn)情況下，它為0，也就是邊界填充默認(rèn)是黑色。

flags 插值方式如下：

cv2.INTER_LINEAR	# 線性插值(默認(rèn))
cv2.INTER_NEAREST	# 最近鄰插值
cv2.INTER_AREA	    # 區(qū)域插值
cv2.INTER_CUBIC	    # 三次樣條插值
cv2.INTER_LANCZOS4	# Lanczos插值

將每個(gè)檢測框擺正之后就可以使用切片方法 rota_img[pos[1]:pos[1]+h, pos[0]:pos[0]+w]，橫平豎直地分割出每個(gè)車位。pos[1]中存放y坐標(biāo)，pos[0]中存放x坐標(biāo)。切片時(shí)先指定高再指定寬。?

為了避免切割出來的每個(gè)車位有繪圖的痕跡，因此在繪圖之前將原圖像復(fù)制一份，imgCopy = img.copy()，在復(fù)制的圖像上繪制矩形框，這樣就不會在分割后的車位圖像上出現(xiàn)繪圖痕跡。

處理視頻的代碼如下：

# 處理視頻圖像
import cv2
import pickle
from rotaParking import recRota  # 導(dǎo)入自定義的旋轉(zhuǎn)矩形框函數(shù)
from rotaParking import drawLine  # 導(dǎo)入繪制旋轉(zhuǎn)矩形線條函數(shù)#（1）讀取視頻
filepath = 'C:\\GameDownload\\Deep Learning\\parking.mp4'
cap = cv2.VideoCapture(filepath) #（2）導(dǎo)入先前記錄下來的車位矩形框的左上角坐標(biāo)
filename = 'parking_position.txt'  # 保存的車位坐標(biāo)
with open(filename, 'rb') as f:posList = pickle.load(f)#（3）處理每一幀圖像
while True:# 返回圖像是否讀取成功，以及讀取的幀圖像imgsuccess, img = cap.read()# 為了使裁剪后的單個(gè)車位里面沒有繪制的邊框，需要在畫車位框之前，把原圖像復(fù)制一份imgCopy = img.copy()# 獲得整每幀圖片的寬和高img_w, img_h = img.shape[:2]  #shape是(w,h,c)# 由于這個(gè)視頻比較短，就循環(huán)播放這個(gè)視頻if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT):# 如果當(dāng)前幀==總幀數(shù)，那就重置當(dāng)前幀為0cap.set(cv2.CAP_PROP_POS_FRAMES, 0)#（4）繪制停車線矩形框w, h = 90, 160  # 矩形框的寬和高# 遍歷所有的矩形框坐標(biāo)for pos in posList:# 得到旋轉(zhuǎn)后的矩形的四個(gè)角坐標(biāo)，傳入原圖，旋轉(zhuǎn)參考點(diǎn)坐標(biāo)，矩形框左上角坐標(biāo)，框的寬w和高h(yuǎn)，逆時(shí)針轉(zhuǎn)4°angle = recRota(img, pos[0], pos[1], pos[0], pos[1], w, h, -4, draw=False) # 裁剪的車位不繪制車位圖  #（5）裁剪所有的車位框，由于我們的矩形是傾斜的，先要把矩形轉(zhuǎn)正之后再裁剪# 變換矩陣，以每個(gè)矩形框的左上坐標(biāo)為參考點(diǎn)，順時(shí)針尋轉(zhuǎn)4°，旋轉(zhuǎn)后的圖像大小不變r(jià)ota_params = cv2.getRotationMatrix2D(angle[0], angle=-4, scale=1) # 旋轉(zhuǎn)整張幀圖片，輸入img圖像，變換矩陣，指定輸出圖像大小rota_img = cv2.warpAffine(img, rota_params, (img_w, img_h))# 裁剪擺正了的矩形框，先指定高h(yuǎn)，再指定寬wimgCrop = rota_img[pos[1]:pos[1]+h, pos[0]:pos[0]+w]# 顯示裁剪出的圖像cv2.imshow(f'imgCrop:{pos[0],pos[1]}', imgCrop)#（6）繪制所有車位的矩形框# 在復(fù)制后的圖像上繪制車位框imgCopy = drawLine(imgCopy, angle, (255,255,0), 3)#（7）顯示圖像，輸入窗口名及圖像數(shù)據(jù)cv2.imshow('img', imgCopy)    if cv2.waitKey(10) & 0xFF==27:  #每幀滯留20毫秒后消失，ESC鍵退出break# 釋放視頻資源
cap.release()
cv2.destroyAllWindows()

分割出每一個(gè)車位的圖像

---

4. 檢測車位上是否有車

檢測思路是：如果車位上沒有車，那么二值圖中白點(diǎn)很少，如果有車，車身的白點(diǎn)很多，因此通過計(jì)算每個(gè)車位框內(nèi)的像素個(gè)數(shù)來確定該車位內(nèi)是否有車。

（1）先將讀入的圖像變成灰度圖，cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)；

（2）對灰度圖濾波操作，消除噪聲，采用高斯濾波，cv2.GaussianBlur(img, ksize, 標(biāo)準(zhǔn)差x, 標(biāo)準(zhǔn)差y)，ksize卷積核大小，滑窗寬度高度為奇數(shù)；標(biāo)準(zhǔn)差x代表沿x方向的卷積核的標(biāo)準(zhǔn)差；標(biāo)準(zhǔn)差y代表沿y方向的卷積核的標(biāo)準(zhǔn)差，不設(shè)置的話則和x軸的標(biāo)準(zhǔn)差一致。

（3）對濾波后的灰度圖轉(zhuǎn)換為二值圖，采用自適應(yīng)閾值方法：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

src：?灰度化的圖片

maxValue：?當(dāng)圖像像素超過了閾值或低于閾值(由type決定)，所賦予的值

adaptiveMethod：?自適應(yīng)方法。有2種，

ADAPTIVE_THRESH_MEAN_C： 為局部鄰域塊的平均值，該算法是先求出塊中的均值。

ADAPTIVE_THRESH_GAUSSIAN_C： 為局部鄰域塊的高斯加權(quán)和。該算法是在區(qū)域中(x, y)周圍的像素根據(jù)高斯函數(shù)按照他們離中心點(diǎn)的距離進(jìn)行加權(quán)計(jì)算。

thresholdType： 二值化方法，有兩種

cv2.THRESH_BINARY： 二值法，超過閾值thresh部分取maxval(設(shè)定的最大值)，否則取0

cv2.THRESH_BINARY_INV： 超過閾值的部分取0，小于閾值取maxval

blockSize： 分割計(jì)算的區(qū)域大小，取奇數(shù)

C： 常數(shù)，每個(gè)區(qū)域計(jì)算出的閾值的基礎(chǔ)上在減去這個(gè)常數(shù)作為這個(gè)區(qū)域的最終閾值，可以為負(fù)數(shù)

（4）消除上的零散白點(diǎn)，對二值化之后的圖像使用中值濾波，cv2.medianBlur(img, ksize)

，ksize代表濾波模板的尺寸大小，填一個(gè)數(shù)值，必須是大于1的奇數(shù)

（5）由于車位框內(nèi)有車的話白點(diǎn)密集，沒車的話車位內(nèi)一片黑，因此擴(kuò)充白點(diǎn)數(shù)目，為了增大區(qū)別。使用膨脹方法，cv2.dilate(img, kernel, iterations)，kernel為卷積核大小，iterations為迭代次數(shù)。

下圖中，第一張是二值化之后的圖像，第二張是中值濾波后的，第三張是膨脹操作后的

（6）計(jì)算每個(gè)分割出來的車位框中的白點(diǎn)個(gè)數(shù)，countNonZero()，返回灰度值不為0的像素?cái)?shù)量。經(jīng)過分析，如果白點(diǎn)數(shù)量大于3000，那么就表明車位上有車。

空余車位檢測的代碼如下：

# 處理視頻圖像
import cv2
import pickle
import numpy as np
from rotaParking import recRota  # 導(dǎo)入自定義的旋轉(zhuǎn)矩形框函數(shù)
from rotaParking import drawLine  # 導(dǎo)入繪制旋轉(zhuǎn)矩形線條函數(shù)#（1）讀取視頻
filepath = 'C:\\GameDownload\\Deep Learning\\parking.mp4'
cap = cv2.VideoCapture(filepath) # 初始的車位框顏色
color = (255,255,0)#（2）導(dǎo)入先前記錄下來的車位矩形框的左上角坐標(biāo)
filename = 'parking_position.txt'  # 保存的車位坐標(biāo)
with open(filename, 'rb') as f:posList = pickle.load(f)#（3）處理每一幀圖像
while True:# 記錄有幾個(gè)空車位spacePark = 0# 返回圖像是否讀取成功，以及讀取的幀圖像imgsuccess, img = cap.read()# 為了使裁剪后的單個(gè)車位里面沒有繪制的邊框，需要在畫車位框之前，把原圖像復(fù)制一份imgCopy = img.copy()# 獲得整每幀圖片的寬和高img_w, img_h = img.shape[:2]  #shape是(w,h,c)# ==1== 轉(zhuǎn)換灰度圖，通過形態(tài)學(xué)處理來檢測車位內(nèi)有沒有車imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# ==2== 高斯濾波,卷積核3*3,沿x和y方向的卷積核的標(biāo)準(zhǔn)差為1imgGray = cv2.GaussianBlur(imgGray, (3,3), 1)# ==3== 二值圖，自適應(yīng)閾值方法imgThresh = cv2.adaptiveThreshold(imgGray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 101, 20)# ==4== 刪除零散的白點(diǎn)，# 如果車位上有車，那么車位上的像素?cái)?shù)量(白點(diǎn))很多，如果沒有車，車位框內(nèi)基本沒什么白點(diǎn)imgMedian = cv2.medianBlur(imgThresh, 5)  # ==5== 擴(kuò)張白色部分，膨脹kernel = np.ones((3,3), np.uint8)  # 設(shè)置卷積核imgDilate = cv2.dilate(imgMedian, kernel, iterations=1) # 迭代次數(shù)為1# 由于這個(gè)視頻比較短，就循環(huán)播放這個(gè)視頻if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT):# 如果當(dāng)前幀==總幀數(shù)，那就重置當(dāng)前幀為0cap.set(cv2.CAP_PROP_POS_FRAMES, 0)#（4）繪制停車線矩形框w, h = 90, 160  # 矩形框的寬和高# 遍歷所有的矩形框坐標(biāo)for pos in posList:# 得到旋轉(zhuǎn)后的矩形的四個(gè)角坐標(biāo)，傳入原圖，旋轉(zhuǎn)參考點(diǎn)坐標(biāo)，矩形框左上角坐標(biāo)，框的寬w和高h(yuǎn)，逆時(shí)針轉(zhuǎn)4°angle = recRota(imgDilate, pos[0], pos[1], pos[0], pos[1], w, h, -4, draw=False) # 裁剪的車位不繪制車位圖  #（5）裁剪所有的車位框，由于我們的矩形是傾斜的，先要把矩形轉(zhuǎn)正之后再裁剪# 變換矩陣，以每個(gè)矩形框的左上坐標(biāo)為參考點(diǎn)，順時(shí)針尋轉(zhuǎn)4°，旋轉(zhuǎn)后的圖像大小不變r(jià)ota_params = cv2.getRotationMatrix2D(angle[0], angle=-4, scale=1) # 旋轉(zhuǎn)整張幀圖片，輸入img圖像，變換矩陣，指定輸出圖像大小rota_img = cv2.warpAffine(imgDilate, rota_params, (img_w, img_h))# 裁剪擺正了的矩形框，先指定高h(yuǎn)，再指定寬wimgCrop = rota_img[pos[1]:pos[1]+h, pos[0]:pos[0]+w]# 顯示裁剪出的圖像cv2.imshow('imgCrop', imgCrop)#（6）計(jì)算每個(gè)裁剪出的單個(gè)車位有多少個(gè)像素點(diǎn)count = cv2.countNonZero(imgCrop)# 將計(jì)數(shù)顯示在矩形框上cv2.putText(imgCopy, str(count), (pos[0]+5, pos[1]+20), cv2.FONT_HERSHEY_COMPLEX, 0.8, (0,255,255), 2)#（7）確定車位上是否有車if count < 3000:  # 像素?cái)?shù)量小于2500輛就是沒有車color = (0,255,0)  # 沒有車的話車位線就是綠色spacePark += 1  # 每檢測到一個(gè)空車位，數(shù)量就加一 else:color = (0,0,255)  # 有車時(shí)車位線就是紅色#（8）繪制所有車位的矩形框# 在復(fù)制后的圖像上繪制車位框imgCopy = drawLine(imgCopy, angle, color, 3)# 繪制目前還剩余幾個(gè)空車位cv2.rectangle(imgCopy, (0,150), (200,210), (255,255,0), cv2.FILLED)cv2.rectangle(imgCopy, (5,155), (195,205), (255,255,255), 3)cv2.putText(imgCopy, 'FREE: '+str(spacePark), (31,191), cv2.FONT_HERSHEY_COMPLEX, 1, (255,0,255), 3)#（9）顯示圖像，輸入窗口名及圖像數(shù)據(jù)cv2.imshow('img', imgCopy) # 原圖cv2.imshow('imgGray', imgGray) # 高斯濾波后cv2.imshow('imgThresh', imgThresh)  # 二值化后cv2.imshow('imgMedian', imgMedian)  # 模糊后cv2.imshow('imgDilate', imgDilate)  # 膨脹if cv2.waitKey(1) & 0xFF==27:  #每幀滯留20毫秒后消失，ESC鍵退出break# 釋放視頻資源
cap.release()
cv2.destroyAllWindows()

最終檢測效果圖如下：

總結(jié)

以上是生活随笔為你收集整理的【opencv】(13) 案例：停车场空余车位检测，附python完整代码的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。