网站前台模块包括什么,谷歌网站地图,网站做视频转流量,国外的浏览器摘要#xff1a;
DMPR-PS是一种基于深度学习的停车位检测系统#xff0c;旨在实时监测和识别停车场中的停车位。该系统利用图像处理和分析技术#xff0c;通过摄像头获取停车场的实时图像#xff0c;并自动检测停车位的位置和状态。本文详细介绍了DMPR-PS系统的算法原理、…摘要
DMPR-PS是一种基于深度学习的停车位检测系统旨在实时监测和识别停车场中的停车位。该系统利用图像处理和分析技术通过摄像头获取停车场的实时图像并自动检测停车位的位置和状态。本文详细介绍了DMPR-PS系统的算法原理、创新点和实验结果并对其性能进行了评估。
算法创新
DMPR-PS系统的算法创新主要体现在以下几个方面 深度学习模型DMPR-PS系统采用了深度学习模型来进行停车位的检测。通过大规模数据集的训练该模型可以自动学习停车位的特征并准确地进行检测和分类。 多尺度检测为了应对不同大小的停车位DMPR-PS系统使用了多尺度检测策略。通过在不同尺度下进行检测可以提高系统对各种大小停车位的检测准确率。 实时性能DMPR-PS系统具有较高的实时性能。它能够快速处理实时视频流并在短时间内完成停车位的检测和识别满足实时监测的需求。
实验结果与结论
通过对多个停车场场景的实验测试DMPR-PS系统展现了良好的性能。实验结果表明该系统在检测准确率和实时性能方面都具有较高的水平。 、
代码运行
要求
python版本3.6pytorch版本1.4其他要求
pip install -r requirements.txt
gcn-parking-slot预训练模型
可以通过以下链接下载两个预训练模型。
链接 代码 描述
Model0 bc0a 使用ps2.0子集进行训练如[1]所述。
Model1 pgig 使用完整的ps2.0数据集进行训练。准备数据
可以在此处找到原始的ps2.0数据和标签。提取并组织如下
├── datasets
│ └── parking_slot
│ ├── annotations
│ ├── ps_json_label
│ ├── testing
│ └── training训练和测试
将当前目录导出到PYTHONPATH
export PYTHONPATHpwd演示
python3 tools/demo.py -c config/ps_gat.yaml -m cache/ps_gat/100/models/checkpoint_epoch_200.pth训练
python3 tools/train.py -c config/ps_gat.yaml测试
python3 tools/test.py -c config/ps_gat.yaml -m cache/ps_gat/100/models/checkpoint_epoch_200.pth
代码
import cv2
import time
import torch
import pprint
import numpy as np
from pathlib import Pathfrom psdet.utils.config import get_config
from psdet.utils.common import get_logger
from psdet.models.builder import build_modeldef draw_parking_slot(image, pred_dicts):slots_pred pred_dicts[slots_pred]width 512height 512VSLOT_MIN_DIST 0.044771278151623496VSLOT_MAX_DIST 0.1099427457599304HSLOT_MIN_DIST 0.15057789144568634HSLOT_MAX_DIST 0.44449496544202816SHORT_SEPARATOR_LENGTH 0.199519231LONG_SEPARATOR_LENGTH 0.46875junctions []for j in range(len(slots_pred[0])):position slots_pred[0][j][1]p0_x width * position[0] - 0.5p0_y height * position[1] - 0.5p1_x width * position[2] - 0.5p1_y height * position[3] - 0.5vec np.array([p1_x - p0_x, p1_y - p0_y])vec vec / np.linalg.norm(vec)distance ( position[0] - position[2] )**2 ( position[1] - position[3] )**2 if VSLOT_MIN_DIST distance VSLOT_MAX_DIST:separating_length LONG_SEPARATOR_LENGTHelse:separating_length SHORT_SEPARATOR_LENGTHp2_x p0_x height * separating_length * vec[1]p2_y p0_y - width * separating_length * vec[0]p3_x p1_x height * separating_length * vec[1]p3_y p1_y - width * separating_length * vec[0]p0_x int(round(p0_x))p0_y int(round(p0_y))p1_x int(round(p1_x))p1_y int(round(p1_y))p2_x int(round(p2_x))p2_y int(round(p2_y))p3_x int(round(p3_x))p3_y int(round(p3_y))cv2.line(image, (p0_x, p0_y), (p1_x, p1_y), (255, 0, 0), 2)cv2.line(image, (p0_x, p0_y), (p2_x, p2_y), (255, 0, 0), 2)cv2.line(image, (p1_x, p1_y), (p3_x, p3_y), (255, 0, 0), 2)#cv2.circle(image, (p0_x, p0_y), 3, (0, 0, 255), 4)junctions.append((p0_x, p0_y))junctions.append((p1_x, p1_y))for junction in junctions:cv2.circle(image, junction, 3, (0, 0, 255), 4)return imagedef main():cfg get_config()logger get_logger(cfg.log_dir, cfg.tag)logger.info(pprint.pformat(cfg))model build_model(cfg.model)logger.info(model)image_dir Path(cfg.data_root) / testing / outdoor-normal daylightdisplay False# load checkpointmodel.load_params_from_file(filenamecfg.ckpt, loggerlogger, to_cpuFalse)model.cuda()model.eval()if display:car cv2.imread(images/car.png)car cv2.resize(car, (512, 512))with torch.no_grad():for img_path in image_dir.glob(*.jpg):img_name img_path.stemdata_dict {} image cv2.imread(str(img_path))image0 cv2.resize(image, (512, 512))image image0/255.data_dict[image] torch.from_numpy(image).float().permute(2, 0, 1).unsqueeze(0).cuda()start_time time.time()pred_dicts, ret_dict model(data_dict)sec_per_example (time.time() - start_time)print(Info speed: %.4f second per example. % sec_per_example)if display:image draw_parking_slot(image0, pred_dicts)image[145:365, 210:300] 0image carcv2.imshow(image,image.astype(np.uint8))cv2.waitKey(50)save_dir Path(cfg.output_dir) / predictionssave_dir.mkdir(parentsTrue, exist_okTrue)save_path save_dir / (%s.jpg % img_name)cv2.imwrite(str(save_path), image)if display:cv2.destroyAllWindows()if __name__ __main__:main()结论
DMPR-PS系统是一种基于深度学习的停车位检测系统通过创新的算法设计和实时性能优化可以有效地监测和识别停车场中的停车位。该系统在提高停车场资源利用率和管理效率方面具有重要的应用价值。
