项目：停车场车位识别
GITHUB地址
解决过程如下
形态学操作
对原始图像预处理操作，然后第一步给某一帧图像套上mask遮罩，原始图像和遮罩如下图所示：
然后对图片二值化等基本操作，得到的结果进行礼帽操作（TOPHAT），目的是去除干扰的白色车辆，效果如下图所示：
垂直直线检测
对图像进行霍夫变换，选择较大的阈值，将图像中的垂直直线检测出来，并使用abs(y2 - y1) >= 20 and abs(x2 - x1) <= 10的方法进行粗略的结果筛选，具体代码如下：
lines = cv2.HoughLinesP(img, rho = 1, theta=np.pi, threshold=5, minLineLength=100, maxLineGap=40)
img1 = np.zeros(org.shape, np.uint8)
cleaned = []
for line in lines:
for x1, y1, x2, y2 in line:
if abs(y2 - y1) >= 20 and abs(x2 - x1) <= 10:
cleaned.append((x1, y1, x2, y2))
cv2.line(img1, (x1, y1), (x2, y2), [255, 255, 255], 2)
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
imshow(img1)
处理结果如下：
之后对图像进行闭运算 + 开运算，去除未填补满的小洞以及毛刺部分，然后使用Canny边缘检测，检测出图像中的轮廓部分，处理结果如下：
之后对边界进行轮廓检测，并找到外接矩形，然后即可获得每一大列（总共10列）的中心位置
水平直线检测
依然使用霍夫变换进行水平直线检测，此时选择较小的阈值，具体的代码如下：
lines = cv2.HoughLinesP(img, rho = 0.1, theta=np.pi/10, threshold=18, minLineLength=10, maxLineGap=7)
show = org.copy()
cleaned = []
for line in lines:
for x1, y1, x2, y2 in line:
if abs(x1 - x2) > 25 and abs(y1 - y2) < 10:
cleaned.append((x1, y1, x2, y2))
show = cv2.line(show, (x1, y1), (x2, y2), [0, 255, 0], 1)
for (x, y, h) in center_line:
(x1, y1, x2, y2) = (x, y - h/2, x, y + h/2)
x1 = int(x1)
y1 = int(y1)
x2 = int(x2)
y2 = int(y2)
show = cv2.line(show, (x1, y1), (x2, y2), (0, 0, 255), 1)
imshow(show)
处理结果如下：
之后进行排序和聚类，使得其顺序为从上到下，并且分为十大簇，每一簇代表一大列
记忆化搜索择优
观察上一步得到的结果，容易看出绿色的线有重合，而且非常的杂乱还有空缺，此时需要使用记忆化搜索进行择优，具体的代码比较复杂，如下：
#用于储存最终结果
ans = [[] for i in range(len(break_dot) - 1)]
#动态规划数组
dp = []
#缓存变量
buf = []
#用于计算路径path的变量
father = {}
path = []
#寻找近邻函数
err = 2.5
def findnei(idx, y, multi):
y1_upper = y + 15.5*multi + err
y1_lower = y + 15.5*multi - err
y2_upper = y - 15.5*multi + err
y2_lower = y - 15.5*multi - err
upper = []
lower = []
for i in range(len(buf)):
y = buf[i][1]
if y > y1_lower and y < y1_upper:
upper.append(i)
elif y > y2_lower and y < y2_upper:
lower.append(i)
return (upper, lower)
#深度优先搜索
def dfs(idx, i):
#查表
if dp[i] >= 0:
return dp[i]
#取出临近点
y1 = buf[i][1]
for j in range(5):
nei = findnei(idx, y1, j+1)[1]
if len(nei) != 0:
break
#如果没有临近点
if len(nei) == 0:
dp[i] = 1
father[i] = None
return dp[i]
#找到最优临近点的编号和DP值
MAX = -1e6
MAX_IDX = -1
#状态转移
for j in range(len(nei)):
if dfs(idx, nei[j]) > MAX:
MAX = dfs(idx, nei[j]) + 1
MAX_IDX = nei[j]
#记录father
dp[i] = MAX
father[i] = MAX_IDX
return dp[i]
# memdfs
for i in range(10):
buf = cleaned[break_dot[i]:break_dot[i+1]]
#初始化
dp = [-1 for i in range(len(buf))]
#记忆化搜索
MAX = -1e6
for j in range(len(buf)-1, -1, -1):
if dfs(i, j) > MAX:
MAX = dfs(i, j)
#计算path路径
x = father[j]
path = []
path.append(j)
while x != None:
path.append(x)
x = father[x]
#计算ans
path = sorted(path)
for j in path:
ans[i].append(buf[j])
#搜索结果可视化
clr = [(255, 0, 0), (0, 255, 0), (0, 0, 255)]
show = np.copy(org)
for i in range(len(break_dot) - 1):
for (x1, y1, x2, y2) in ans[i]:
show = cv2.line(show, (x1, y1), (x2, y2), clr[i % 3], 2)
imshow(show)
处理的结果如下：
插值和对齐
记忆化搜索出来的结果没有重叠的部分，而且都是匹配比较优良的组合，但是其没有左右对齐，比较杂乱，而且中间有空隙，
需要使用插值算法填补其中的空隙，使用对齐算法将每一簇的横线对齐
具体的代码如下：
#对齐
ex = 30
for i in range(len(ans)):
(x0, y0, _) = center_line[i]
for j in range(len(ans[i])):
(x1, y1, x2, y2) = ans[i][j]
x1 = x0 - ex
x2 = x0 + ex
ans[i][j] = (x1, y1, x2, y2)
#对齐结果显示
show = np.copy(org)
for i in range(len(break_dot) - 1):
for (x1, y1, x2, y2) in ans[i]:
show = cv2.line(show, (x1, y1), (x2, y2), (0, 0, 255), 2)
imshow(show)
#插值
err = 2.5
def gap(y1, y2):
delta = abs(y1 - y2)
mul = (delta + err) / 15.5
return int(mul)
for i in range(len(ans)):
buf = []
for j in range(len(ans[i]) - 1):
(x1, y1, x2, y2) = ans[i][j]
(_, y, _, _) = ans[i][j+1]
cnt = gap(y, y1)
for k in range(cnt):
newy = int(y1 + 15.5 * k)
buf.append((x1, newy, x2, newy))
buf.append(ans[i][len(ans[i]) - 1])
ans[i] = buf
#绘制
show = np.copy(org)
for i in range(len(break_dot) - 1):
for (x1, y1, x2, y2) in ans[i]:
show = cv2.line(show, (x1, y1), (x2, y2), (0, 0, 255), 2)
imshow(show)
处理结果如下：
最后进行图像的切分，切分结果如下：
