我正在尝试使用 OpenCV 和 Python 自动计算图像中的汽车数量。

最初我认为我可以通过一些分割来做到这一点，但我并没有取得太大的成功。然后我认为霍夫变换可能有助于计算汽车周围的边界，但它只能真正挑选出 parking 位线。我唯一能想到的就是开始在汽车和非汽车的模板上训练一些比赛，但我希望有一些更简单的东西可以在这里做得很好。我还尝试了边缘检测，看起来不错，但不确定如何继续:

最佳答案

好的，所以......我可能在这方面做了太多工作，但它看起来很简单。

对于我的实现，我决定最好找到空的 parking 位，并假设所有其他 parking 位都已被占用。为了确定一个 parking 位是否为空，我只是将其与道路上 parking 位大小的部分进行了比较。这意味着无论是明亮还是黑暗等，该算法都应该有效，因为模板是直接从图像中提取的。

此时我只是做模板匹配(我尝试了各种方法，但 cv2.TM_CCORR_NORMED 效果最好)。这给出了一个不错的结果，现在我们需要处理它。

我在 parking 场行周围创建了 ROI(感兴趣区域)。然后我通过对每列进行统计来将它们折叠成一个向量。我看均值。

这是一个很好的指标，您已经可以清楚地看到空白处在哪里。但是深色汽车仍然存在一些问题，所以现在我们决定查看另一个统计数据，方差如何？ parking 场在整个地区都非常稳定。另一方面，汽车有一些变化， window 、车顶行李架后视镜会产生一些变化。所以我绘制了“倒置”方差。所以它不是没有变化，方差为 0，而是方差为 1。它看起来像这样

这看起来很有希望!但你知道什么更好吗？两者结合!所以让我们将它们相乘，我称这个结果为“概率”，因为它应该介于 0 和 1 之间

现在您可以真正看出空白区域和深色汽车之间的区别了。因此，让我们做一些简单的阈值。这很好，但它不会为您提供车辆/空位的数量。此时，我们逐列查看“概率”，寻找超过阈值的一定数量的连续像素。多少像素？大约与汽车宽度一样多的像素。这种“滞后”类型的模型应该抑制任何峰值或虚假数据点。

现在一切都在一起了，我们假设空格的数量是恒定的(我认为合理的假设)我们只是说汽车数量 = 空格数 - 空格数 并标记图片

并打印一些结果

found 24 cars and 1 empty space(s) in row 1
found 23 cars and 0 empty space(s) in row 2
found 20 cars and 3 empty space(s) in row 3
found 22 cars and 0 empty space(s) in row 4
found 13 cars and 9 empty space(s) in row 5

当然还有代码。它可能不是最有效的，但我通常是一个 matlab 人，这是我的第一个 openCV/Python 项目

import cv2
import numpy as np
from matplotlib import pyplot as plt

# this just keeps things neat
class ParkingLotRow(object):
    top_left=None
    bot_right=None
    roi=None
    col_mean=None
    inverted_variance=None
    empty_col_probability=None
    empty_spaces=0
    total_spaces=None

    def __init__(self,top_left,bot_right,num_spaces):
        self.top_left = top_left
        self.bot_right = bot_right
        self.total_spaces = num_spaces

############################ BEGIN: TWEAKING PARAMETERS ###########################################
car_width = 8       #in pixels
thresh = 0.975      #used to determine if a spot is empty
############################### END: TWEAKING PARAMETERS ###########################################
parking_rows = []

# defines regions of interest, row 1 is on top, row 5 is on bottom, values determined empirically
parking_rows.append(ParkingLotRow((  1, 20),(496, 41),25))     #row 1
parking_rows.append(ParkingLotRow((  1, 87),(462,105),23))     #row 2
parking_rows.append(ParkingLotRow((  1,140),(462,158),23))     #row 3
parking_rows.append(ParkingLotRow((  1,222),(462,240),22))     #row 4
parking_rows.append(ParkingLotRow((  1,286),(462,304),22))     #row 5

#read image
img = cv2.imread('parking_lot.jpg')
img2 = img.copy()

#creates a template, its jsut a car sized patch of pavement
template = img[138:165,484:495]
m, n, chan = img.shape

#blurs the template a bit
template = cv2.GaussianBlur(template,(3,3),2)
h, w, chan = template.shape

# Apply template Matching 
res = cv2.matchTemplate(img,template,cv2.TM_CCORR_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
#adds bounding box around template
cv2.rectangle(img,top_left, bottom_right, 255, 5)

#adds bounding box on ROIs
for curr_parking_lot_row in parking_rows:
    tl = curr_parking_lot_row.top_left
    br = curr_parking_lot_row.bot_right

    cv2.rectangle(res,tl, br, 1, 5)

#displays some intermediate results
plt.subplot(121),plt.imshow(res,cmap = 'gray')
plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))
plt.title('Original, template in blue'), plt.xticks([]), plt.yticks([])

plt.show()

curr_idx = int(0)

#overlay on original picture
f0 = plt.figure(4)
plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB)),plt.title('Original')


for curr_parking_lot_row in parking_rows:
    #creates the region of interest
    tl = curr_parking_lot_row.top_left
    br = curr_parking_lot_row.bot_right

    my_roi = res[tl[1]:br[1],tl[0]:br[0]]

    #extracts statistics by column
    curr_parking_lot_row.col_mean = np.mean(my_roi, 0)
    curr_parking_lot_row.inverted_variance = 1 - np.var(my_roi,0)
    curr_parking_lot_row.empty_col_probability = curr_parking_lot_row.col_mean * curr_parking_lot_row.inverted_variance

    #creates some plots
    f1 = plt.figure(1)
    plt.subplot('51%d' % (curr_idx + 1)),plt.plot(curr_parking_lot_row.col_mean),plt.title('Row %d correlation' %(curr_idx + 1))

    f2 = plt.figure(2)
    plt.subplot('51%d' % (curr_idx + 1)),plt.plot(curr_parking_lot_row.inverted_variance),plt.title('Row %d variance' %(curr_idx + 1))

    f3 = plt.figure(3)
    plt.subplot('51%d' % (curr_idx + 1))
    plt.plot(curr_parking_lot_row.empty_col_probability),plt.title('Row %d empty probability ' %(curr_idx + 1))
    plt.plot((1,n),(thresh,thresh),c='r')

    #counts empty spaces
    num_consec_pixels_over_thresh = 0
    curr_col = 0

    for prob_val in curr_parking_lot_row.empty_col_probability:
        curr_col += 1

        if(prob_val > thresh):
            num_consec_pixels_over_thresh += 1
        else:
            num_consec_pixels_over_thresh = 0

        if (num_consec_pixels_over_thresh >= car_width):
            curr_parking_lot_row.empty_spaces += 1

            #adds mark to plt
            plt.figure(3)   # the probability graph
            plt.scatter(curr_col,1,c='g')

            plt.figure(4)   #parking lot image
            plt.scatter(curr_col,curr_parking_lot_row.top_left[1] + 7, c='g')

            #to prevent doubel counting cars, just reset the counter
            num_consec_pixels_over_thresh = 0

    #sets axis range, apparantlly they mess up when adding the scatters
    plt.figure(3)
    plt.xlim([0,n])

    #print out some stats
    print('found {0} cars and {1} empty space(s) in row {2}'.format(
        curr_parking_lot_row.total_spaces - curr_parking_lot_row.empty_spaces,
        curr_parking_lot_row.empty_spaces,
        curr_idx +1))

    curr_idx += 1

#plot some figures
plt.show()

关于python - 你如何用 Python 在 OpenCV 中计算汽车数量？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35447293/