计算机视觉结合深度学习项目-智能停车场空车位实时识别_大厦智能停车场空余车位算法(2)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

    point_img = image.copy()       
    point_img = cv2.cvtColor(point_img, cv2.COLOR_GRAY2RGB)
    for point in vertices[0]:
        cv2.circle(point_img, (point[0],point[1]), 10, (0,0,255), 4)
    self.cv_show('point\_img',point_img)       
    return self.filter_region(image, vertices)

这里这几个点是根据自己的项目而言的，我们目的就是用这六个点把整个停车场框起来，然后对框出来的图像进行一个提取。也称之为一个ROI区域。结果是这样。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/3ef76f832bc54291809158fdd0ecb85e.png)  
 这里的坐标我们自己进行定位操作，然后我们制造一个掩码图像，就是把标记的这六个点规划成一个区域ROI region，然后把区域内设置成白色像素值，把区域外设置成全黑像素值。然后做一个相当于图像和掩码的与操作。得到的结果就是：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/edd9b99f3cc14e918bdf22f7298d41fe.png)  
 最后得到的ROI区域就是：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/b44a5bd98fff4e7bbfc3a2ca6952c162.png)  
 这里我们就得到了一个停车场的大致轮廓，然后我们开始对停车场车位进行具体操作，首先我们先要检测一个停车场直线的操作，使用霍夫直线检测来做这个项目。

def hough\_lines(self,image):       
    return cv2.HoughLinesP(image, rho=0.1, theta=np.pi/10, threshold=15, minLineLength=9, maxLineGap=4)

这里霍夫直线检测是定义好的一个模型，我们直接调用就可以。这里的参数我们介绍一下。



> 
> **image：表示要处理的图像。**  
>  **rho：表示处理的精度。精度越小检测的直线越精确，精度值设置的数值越大，那么检测的线段就越少。**  
>  **theta：检测的直线角度，表示直线的角度不能超过哪个数值。如果超过这个阈值，就不定义为一条直线。**  
>  **threshold：线的点定义阈值为15，这个要根据实施项目而定，构成线的像素点超过15才可以构成一条直线。**  
>  **minLineLength：最小长度，这个不用过多解释，线的长度最小就是9.**  
>  **maxLineGap：线和线之间最大的间隔阈值，离得多近的都认为是一条直线。**
> 
> 
> 


输入的图像需要是边缘检测后的结果，minLineLengh(线的最短长度，比这个短的都被忽略)和MaxLineCap（两条直线之间的最大间隔，小于此值，认为是一条直线）。rho距离精度,theta角度精度,threshod超过设定阈值才被检测出线段。

def draw\_lines(self,image, lines, color=[255, 0, 0], thickness=2, make_copy=True):
    # 过滤霍夫变换检测到直线
    if make_copy:
        image = np.copy(image)