使用 C++ 和 OpenCV 构建智能停车场视觉管理系统

使用 C++ 和 OpenCV 构建智能停车场视觉管理系统

本文将详细介绍如何利用 C++ 和 OpenCV 库，从零开始创建一个智能停车场管理系统。该系统通过摄像头捕捉的画面，能自动完成两项核心任务：

1. 车位识别：通过检测地面上的黄色停车线，自动识别并标定出所有停车位的位置。
2. 状态监控：实时监控每个车位，判断其是**“空闲”还是“被占用”**，并进行可视化展示。

核心逻辑与方法

我们将整个系统分为两个主要阶段：校准阶段和监控阶段。

1. 校准阶段 (Calibration Phase)

这个阶段的目标是自动定义停车位。我们只需要对一张空停车场的图片进行一次性处理。

• 颜色分割: 将图像从 BGR 转换到 HSV 颜色空间。HSV 对光照变化不敏感，能更准确地提取出黄色。我们使用 cv::inRange 函数来创建一个只包含黄色标线的二值化“蒙版”。
• 轮廓检测: 在蒙版上，我们使用 cv::findContours 来寻找所有黄色区域的轮廓。
• 车位标定: 通过对轮廓的面积和形状进行筛选，我们可以过滤掉噪声，只保留代表停车位的矩形区域。我们使用 cv::minAreaRect 来获取这些区域的精确位置（包括旋转角度），并将这些位置信息保存到一个文件中（例如 parking_spots.xml）。

2. 监控阶段 (Monitoring Phase)

这个阶段是系统的核心，它在实时的视频流上运行。

• 加载车位数据: 程序首先从 parking_spots.xml 文件中加载所有预先标定好的停车位位置。
• 占用检测: 对每一个停车位区域（ROI），我们使用一种简单而有效的方法来判断是否有车：边缘密度分析。
  • 一个空车位（通常是沥青或水泥地面）的纹理较少，因此边缘也较少。
  • 一辆汽车具有复杂的轮廓、窗户、轮胎和车身线条，会产生大量的边缘。
• 状态判断: 我们在每个车位 ROI 上运行 Canny 边缘检测，然后计算边缘像素的数量。如果数量超过一个预设的阈值，我们就判定该车位**“被占用”，否则为“空闲”**。
• 可视化: 根据判断结果，在视频画面上用不同颜色的矩形（例如红色代表占用，绿色代表空闲）框出每个车位，并显示可用的车位总数。

---

️ 环境与准备

• C++ 编译器: G++, Clang, 或 MSVC。
• OpenCV 库: 确保已正确安装并配置。
• 校准图像: 一张停车场空无一车时的图像，例如 empty_lot.jpg。
• 测试视频/图像: 一段停车场有车辆进出的视频或图像，例如 parking_video.mp4。

---

代码实现

我们将代码分为两个独立的文件：一个用于校准，一个用于监控。

第1部分: 校准程序 (calibrate.cpp)

这个程序只运行一次，用于生成车位坐标文件。

#include 
#include 
#include 

int main(int argc, char** argv) {
    if (argc != 2) {
        std::cout << "Usage: ./calibrate_app " << std::endl;
        return -1;
    }

    cv::Mat frame = cv::imread(argv[1]);
    if (frame.empty()) {
        std::cerr << "Error: Could not read the image." << std::endl;
        return -1;
    }

    // 1. 转换为 HSV
    cv::Mat hsv;
    cv::cvtColor(frame, hsv, cv::COLOR_BGR2HSV);

    // 2. 颜色阈值分割 (针对黄色)
    // 注意: 这个范围可能需要根据你的实际光照进行微调
    cv::Scalar lower_yellow(20, 100, 100);
    cv::Scalar upper_yellow(30, 255, 255);
    cv::Mat mask;
    cv::inRange(hsv, lower_yellow, upper_yellow, mask);

    // 3. 形态学操作去噪
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
    cv::morphologyEx(mask, mask, cv::MORPH_CLOSE, kernel, cv::Point(-1,-1), 2);

    // 4. 寻找轮廓
    std::vector<std::vector<cv::Point>> contours;
    cv::findContours(mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

    std::vector<cv::RotatedRect> parkingSpots;
    for (const auto& contour : contours) {
        // 5. 过滤轮廓并获取最小外接旋转矩形
        double area = cv::contourArea(contour);
        if (area > 2000) { // 根据车位实际像素大小调整此阈值
            cv::RotatedRect rotatedRect = cv::minAreaRect(contour);
            parkingSpots.push_back(rotatedRect);
        }
    }

    // 6. 保存车位坐标到文件
    cv::FileStorage fs("parking_spots.xml", cv::FileStorage::WRITE);
    fs << "parking_spots" << parkingSpots;
    fs.release();

    std::cout << "Successfully detected and saved " << parkingSpots.size() << " parking spots." << std::endl;

    // 可选: 可视化检测到的车位
    for (const auto& spot : parkingSpots) {
        cv::Point2f vertices[4];
        spot.points(vertices);
        for (int i = 0; i < 4; i++) {
            cv::line(frame, vertices[i], vertices[(i + 1) % 4], cv::Scalar(0, 255, 0), 2);
        }
    }
    cv::imshow("Detected Parking Spots", frame);
    cv::waitKey(0);

    return 0;
}

第2部分: 监控程序 (monitor.cpp)

这个程序加载校准数据，并对视频进行实时分析。

#include 
#include 
#include 

// 定义占用阈值
const int EDGE_PIXEL_THRESHOLD = 300; // 需要根据分辨率和场景微调

int main(int argc, char** argv) {
    if (argc != 2) {
        std::cout << "Usage: ./monitor_app " << std::endl;
        return -1;
    }

    // 1. 加载车位数据
    std::vector<cv::RotatedRect> parkingSpots;
    cv::FileStorage fs("parking_spots.xml", cv::FileStorage::READ);
    if (!fs.isOpened()) {
        std::cerr << "Error: Could not open parking_spots.xml. Run calibration first." << std::endl;
        return -1;
    }
    fs["parking_spots"] >> parkingSpots;
    fs.release();

    cv::VideoCapture cap(argv[1]);
    if (!cap.isOpened()) {
        std::cerr << "Error: Could not open video file." << std::endl;
        return -1;
    }

    cv::Mat frame, gray, roi, edges;
    while (cap.read(frame)) {
        int available_spots = 0;
        cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY);

        for (const auto& spot : parkingSpots) {
            // 2. 提取每个车位的 ROI
            cv::Rect br = spot.boundingRect();
            // 保证 ROI 在图像边界内
            br &= cv::Rect(0, 0, frame.cols, frame.rows);
            if (br.width == 0 || br.height == 0) continue;
            
            roi = gray(br);

            // 3. 计算 ROI 内的边缘密度
            cv::Canny(roi, edges, 100, 200);
            int edge_pixels = cv::countNonZero(edges);

            // 4. 判断车位状态并可视化
            cv::Point2f vertices[4];
            spot.points(vertices);
            bool occupied = edge_pixels > EDGE_PIXEL_THRESHOLD;

            cv::Scalar color = occupied ? cv::Scalar(0, 0, 255) : cv::Scalar(0, 255, 0);
            for (int i = 0; i < 4; i++) {
                cv::line(frame, vertices[i], vertices[(i + 1) % 4], color, 2);
            }

            if (!occupied) {
                available_spots++;
            }
        }
        
        // 5. 显示状态信息
        std::string status_text = "Available: " + std::to_string(available_spots) + "/" + std::to_string(parkingSpots.size());
        cv::putText(frame, status_text, cv::Point(20, 40), cv::FONT_HERSHEY_SIMPLEX, 1.5, cv::Scalar(255, 255, 0), 3);

        cv::imshow("Parking Lot Monitor", frame);
        if (cv::waitKey(30) >= 0) break;
    }

    return 0;
}

---

编译与运行

1. 编译: 打开终端，使用 g++ 和 pkg-config 编译两个程序。

   # 编译校准程序
   g++ -o calibrate_app calibrate.cpp $(pkg-config --cflags --libs opencv4)
   
   # 编译监控程序
   g++ -o monitor_app monitor.cpp $(pkg-config --cflags --libs opencv4)
   

   注意: 如果你的 OpenCV 版本不是 4，请将 opencv4 替换为你的版本。

2. 运行:

   • 第一步：运行校准程序，传入空停车场的图片。

     ./calibrate_app empty_lot.jpg
     

     这会生成一个 parking_spots.xml 文件。
   • 第二步：运行监控程序，传入要分析的视频。

     ./monitor_app parking_video.mp4
     

     程序会加载 parking_spots.xml 并开始实时分析和显示结果。

总结与改进

这个项目展示了如何用标准 OpenCV 功能构建一个实用的计算机视觉应用。它的优点是逻辑清晰、实现简单。当然，它也有可以改进的地方：

• 鲁棒性: 在光照剧烈变化或有阴影的情况下，基于边缘的检测可能会不稳定。可以引入更高级的特征（如 HOG）和机器学习分类器（如 SVM）来提高准确性。
• 灵活性: 对于非黄色标线或不规则车位，需要修改颜色分割和轮廓筛选逻辑。
• 用户界面: 可以创建一个简单的 GUI，让用户通过鼠标点击来手动调整或标定车位，而不是完全依赖自动检测。