机器学习算法|基于Open-cv 的停车场停车位识别个人笔记附所有代码（下）计算机视觉|python|深度学习|o

*结合Open-cv 以及深度学习的停车位识别
基于Open-cv 的停车场停车位识别个人笔记附所有代码（下）基于Open-cv 的停车场停车位识别个人笔记附所有代码（上）
在学习唐宇迪老师的图像识别课程中，里边包含这样一个关于停车场车位识别的小项目，结合自己理解，优化了部分代码（此文中出现的为部分结果图），想更多了解的移步唐宇迪老师课程。
图1. 空车位预测结果图 【机器学习算法|基于Open-cv 的停车场停车位识别个人笔记附所有代码（下）】在上一节空停车位检测中，最后得到了如图1 的检测结果图，此部分主要解释如何通过CNN学习识别车位是否被占的情况。
1. 数据获取众所周知，如果用CNN来训练一个模型的话，第一步便是对数据进行分析，针对此项目中的停车位识别，首先第一步便是对类似于图1 的图像进行车位裁剪，其中包含已占车位以及未占车位，裁剪之后对所得图像进行resize。

ef assign_spots_map(self,image, spot_dict, make_copy = True, color=[255, 0, 0], thickness=2): if make_copy: new_image = np.copy(image) for spot in spot_dict.keys(): (x1, y1, x2, y2) = spot cv2.rectangle(new_image, (int(x1),int(y1)), (int(x2),int(y2)), color, thickness) return new_imagedef save_images_for_cnn(self,image, spot_dict, folder_name ='cnn_data'): for spot in spot_dict.keys(): (x1, y1, x2, y2) = spot (x1, y1, x2, y2) = (int(x1), int(y1), int(x2), int(y2)) #裁剪 spot_img = image[y1:y2, x1:x2] spot_img = cv2.resize(spot_img, (0,0), fx=2.0, fy=2.0) spot_id = spot_dict[spot]filename = 'spot' + str(spot_id) +'.jpg' print(spot_img.shape, filename, (x1,x2,y1,y2))cv2.imwrite(os.path.join(folder_name, filename), spot_img)

在得到所有的裁剪图像之后，再对图像进行分类即将空车位以及已占车位区别开来，此处我用了最傻的办法，“人眼识别”，将其分别存放。

文章图片
图2. 已占车位裁剪图

文章图片
图3. 空车位裁剪图

2. 模型搭建在获得数据之后，接下来便是模型搭建，模型建立在Keras框架上，首先是进行数据增强，其次利用迁移学习引入VGG16模型，因为此项目数据量只有300左右，倘若自己训练模型，效果反而不佳，冻结VGG模型的前10层保证训练效果，之后配置其他超参数。

train_datagen = ImageDataGenerator( rescale = 1./255, horizontal_flip = True, fill_mode = "nearest", zoom_range = 0.1, width_shift_range = 0.1, height_shift_range=0.1, rotation_range=5)

batch_size = 32 epochs = 15 num_classes = 2model = applications.VGG16(weights='imagenet', include_top=False, input_shape = (img_width, img_height, 3))for layer in model.layers[:10]: layer.trainable = False

模型的结构、评估指标、运行结果如下：

x = model.output x = Flatten()(x) predictions = Dense(num_classes, activation="softmax")(x)model_final = Model(input = model.input, output = predictions)model_final.compile(loss = "categorical_crossentropy", optimizer = optimizers.SGD(lr=0.0001, momentum=0.9), metrics=["accuracy"])