|
- '''
- 这个版本增加了船舶过滤功能
- '''
- import time
- import numpy as np
- import cv2
-
-
-
-
- def center_coordinate(boundbxs):
- '''
- 输入：两个对角坐标xyxy
- 输出：矩形框重点坐标xy
- '''
- boundbxs_x1=boundbxs[0]
- boundbxs_y1=boundbxs[1]
- boundbxs_x2=boundbxs[2]
- boundbxs_y2=boundbxs[3]
- center_x=0.5*(boundbxs_x1+boundbxs_x2)
- center_y=0.5*(boundbxs_y1+boundbxs_y2)
- return center_x,center_y
-
- def fourcorner_coordinate(boundbxs):
- '''
- 输入：两个对角坐标xyxy
- 输出：矩形框四个角点坐标，以contours顺序。
- '''
- boundbxs_x1=boundbxs[0]
- boundbxs_y1=boundbxs[1]
- boundbxs_x2=boundbxs[2]
- boundbxs_y2=boundbxs[3]
- wid=boundbxs_x2-boundbxs_x1
- hei=boundbxs_y2-boundbxs_y1
- boundbxs_x3=boundbxs_x1+wid
- boundbxs_y3=boundbxs_y1
- boundbxs_x4=boundbxs_x1
- boundbxs_y4 = boundbxs_y1+hei
- contours_rec=[[boundbxs_x1,boundbxs_y1],[boundbxs_x3,boundbxs_y3],[boundbxs_x2,boundbxs_y2],[boundbxs_x4,boundbxs_y4]]
- return contours_rec
-
-
-
- def expand_rectangle(rec,imgSize,ex_width,ex_height):
- '''
- 矩形框外扩，且不超过图像范围
- 输入：矩形框xyxy（左上和右下坐标），图像，外扩宽度大小，外扩高度大小
- 输出：扩后的矩形框坐标xyxy
- '''
- #img_height=img.shape[0];img_width=img.shape[1]
- img_width,img_height = imgSize[0:2]
- #print('高、宽',img_height,img_width)
- x1=rec[0]
- y1=rec[1]
- x3=rec[2]
- y3=rec[3]
-
- x1=x1-ex_width if x1-ex_width >= 0 else 0
- y1=y1-ex_height if y1-ex_height >= 0 else 0
- x3=x3+ex_width if x3+ex_width <= img_width else img_width
- y3=y3+ex_height if y3+ex_height <=img_height else img_height
- xyxy=[x1,y1,x3,y3]
-
- return xyxy
-
- def remove_simivalue(list1,list2):
- '''
- 将list1中属于list2的元素都删除。
- 输入：两个嵌套列表
- 返回：嵌套列表
- '''
- list33=list1.copy()
- for i in range(len(list1)):
- for j in range(len(list2)):
- if list2[j] == list1[i]:
- # list33.pop(list1[i])
- list33.remove(list1[i])
- return list33
-
- def remove_sameeleme_inalist(list3):
- '''
- 将list3中重复嵌套列表元素删除。
- 输入：嵌套列表
- 返回：嵌套列表
- '''
- list3=list3
- list4=[]
- list4.append(list3[0])
- for dict in list3:
- k=0
- for item in list4:
- if dict!=item:
- k=k+1
- else:
- break
- if k==len(list4):
- list4.append(dict)
- return list4
-
- def order_points(pts):
- ''' sort rectangle points by clockwise '''
- sort_x = pts[np.argsort(pts[:, 0]), :]
-
- Left = sort_x[:2, :]
- Right = sort_x[2:, :]
- # Left sort
- Left = Left[np.argsort(Left[:, 1])[::-1], :]
- # Right sort
- Right = Right[np.argsort(Right[:, 1]), :]
- return np.concatenate((Left, Right), axis=0)
-
-
- def ms(t2,t1):
-
- return '%.1f' %( (t2-t1)*1000.0)
- def illParking_postprocess(pred,cvMask,pars):
- #pred:直接预测结果，不要原图。预测结果[0,1,2,...],不是[车、T角点，L角点]
- #mask_cv:分割结果图，numpy格式(H,W),结果是int，[0,1,2,...]
- #pars: 其它参数,dict格式
- '''三个标签：车、T角点，L角点'''
- '''输入：落水人员的结果（类别+坐标）、原图
-
- 过程：将车辆识别框外扩，并按contours形成区域。
- T角点与L角点的坐标合并为列表。
- 判断每个车辆contours区域内有几个角点，少于2个则判断违停。
- 返回：最终违停车辆标记结果图、违停车辆信息（坐标、类别、置信度）。
- '''
- #输入的是[cls,x0,y0,x1,y1,score]---> [x0,y0,x1,y1,cls,score]
- #输出的也是[cls,x0,y0,x1,y1,score]
- #pred = [ [ int(x[4]) ,*x[1:5], x[5] ] for x in pred]
-
- #pred = [[ *x[1:5],x[0], x[5] ] for x in pred]
- pred = [[ *x[0:4],x[5], x[4] ] for x in pred]
-
- ##统一格式
- imgSize=pars['imgSize']
- '''1、pred中车辆识别框形成列表，T角点与L角点形成列表'''
- tW1=time.time()
- init_vehicle=[]
- init_corner = []
-
- for i in range(len(pred)):
- #if pred[i][4]=='TCorner' or pred[i][4]=='LCorner': #vehicle、TCorner、LCorner
- if pred[i][4]==1 or pred[i][4]==2: #vehicle、TCorner、LCorner
- init_corner.append(pred[i])
- else:
- init_vehicle.append(pred[i])
-
-
- '''2、init_corner中心点坐标计算，并形成列表。'''
- tW2 = time.time()
- center_corner=[]
- for i in range(len(init_corner)):
- center_corner.append(center_coordinate(init_corner[i]))
-
-
- '''3、遍历每个车辆识别框，扩充矩形区域，将矩形区域形成contours，判断扩充区域内的。'''
- tW3 = time.time()
- final_weiting=[] #违停车辆列表
- '''遍历车辆列表，扩大矩形框形成contours'''
- for i in range(len(init_vehicle)):
- boundbxs1=[init_vehicle[i][0],init_vehicle[i][1],init_vehicle[i][2],init_vehicle[i][3]]
- width_boundingbox=init_vehicle[i][2]-init_vehicle[i][0] #框宽度
- height_boundingbox=init_vehicle[i][2] - init_vehicle[i][0] #框长度
- #当框长大于宽，则是水平方向车辆；否则认为是竖向车辆
- if width_boundingbox>=height_boundingbox:
- ex_width=0.4*(init_vehicle[i][2]-init_vehicle[i][0]) #矩形扩充宽度，取车宽0.4倍 #膨胀系数小一些。角点设成1个。
- ex_height=0.2*(init_vehicle[i][2]-init_vehicle[i][0]) #矩形扩充宽度，取车长0.2倍
- boundbxs1 = expand_rectangle(boundbxs1, imgSize, ex_width, ex_height) # 扩充后矩形对角坐标
- else:
- ex_width=0.2*(init_vehicle[i][2]-init_vehicle[i][0]) #竖向，不需要改变变量名称，将系数对换下就行。（坐标点顺序还是1234不变）
- ex_height=0.4*(init_vehicle[i][2]-init_vehicle[i][0]) #
- boundbxs1 = expand_rectangle(boundbxs1, imgSize, ex_width, ex_height) # 扩充后矩形对角坐标
- contour_temp=fourcorner_coordinate(boundbxs1) #得到扩充后矩形框的contour
- contour_temp_=np.array(contour_temp)#contour转为array
- contour_temp_=np.float32(contour_temp_)
-
- '''遍历角点识别框中心坐标是否在contours内，在则计1'''
- zzz=0
- for j in range(len(center_corner)):
- flag = cv2.pointPolygonTest(contour_temp_, (center_corner[j][0], center_corner[j][1]), False) #若为False，会找点是否在内，外，或轮廓上(相应返回+1, -1, 0)。
- if flag==+1:
- zzz+=1
- '''contours框内小于等于1个角点，认为不在停车位内'''
- # if zzz<=1:
- if zzz<1:
- final_weiting.append(init_vehicle[i])
- #print('t7-t6',t7-t6)
- #print('final_weiting',final_weiting)
-
- '''4、绘制保存检违停车辆图像'''
-
- tW4=time.time()
- '''
- colors = Colors()
- if final_weiting is not None:
- for i in range(len(final_weiting)):
- lbl='illegal park'
- xyxy=[final_weiting[i][0],final_weiting[i][1],final_weiting[i][2],final_weiting[i][3]]
- c = int(5)
- plot_one_box(xyxy, _img_cv, label=lbl, color=colors(c, True), line_thickness=3)
- final_img=_img_cv
- '''
- tW5=time.time()
- # cv2.imwrite('final_result.png', _img_cv)
-
-
- timeStr = ' step1:%s step2:%s step3:%s save:%s'%( ms(tW2,tW1), ms(tW3,tW2),ms(tW4,tW3), ms(tW5,tW4) )
-
- #final_weiting-----[x0,y0,x1,y1,cls,score]
- #输出的也是outRe----[cls,x0,y0,x1,y1,score]
-
- #outRes = [ [ 3 ,*x[0:4], x[5] ] for x in final_weiting]###违停用3表示
-
- outRes = [ [ *x[0:4], x[5],3 ] for x in final_weiting]###违停用3表示
-
- return outRes,timeStr #返回最终绘制的结果图、违停车辆（坐标、类别、置信度）
-
-
- def AI_process(model, args1,path1):
- '''对原图进行目标检测'''
- '''输入：检测模型、配置参数、路径
- 返回：返回目标检测结果、原图像，
- '''
- '''检测图片'''
- t3=time.time()
- _img_cv = cv2.imread(path1) # 将这里的送入yolov5
- t4 = time.time()
- pred = model.detect(_img_cv) # 检测结果
- t5 = time.time()
- #print('t5-t4', t5-t4)
- #print('t4-t3', t4-t3)
- return pred, _img_cv #返回目标检测结果、原图像
-
- def main():
-
- '''配置参数'''
-
- args1={'cuda':'0','input_dir':'input_dir','output_dir':'output_dir'}
-
- dete_weights='weights/weiting20230727.pt'
- '''分割模型权重路径'''
-
- '''初始化目标检测模型'''
- model = Detector(dete_weights)
-
- names=['vehicle', 'TCorner', 'LCorner']
- t1=time.time()
- '''图像测试'''
- folders = os.listdir(args1['input_dir'])
- for i in range(len(folders)):
- path1 = args1['input_dir'] + '/' + folders[i]
- print('-'*100,path1)
- '''对原图进行目标检测'''
- pred, _img_cv=AI_process(model, args1,path1)
- H,W = _img_cv.shape[0:2]
- imgSize = (W,H);pars={'imgSize':imgSize}
- #preds = [[ names.index(x[4]),*x[0:4], float(x[5].cpu()) ] for x in pred[1]]
- preds = [[ *x[0:4], names.index(x[4]),float(x[5].cpu()) ] for x in pred[1]]
- # print('pred', pred)
- final_weiting,timeStr = illParking_postprocess(preds,None,pars)
-
- '''进入后处理，判断是否有违章停车'''
- #final_img,final_weiting=AI_postprocess(pred, _img_cv)
- #cv2.imwrite('./outdir/final_result'+str(i)+'.png', final_img)
-
- t2=time.time()
- print('耗时',t2-t1)
-
- if __name__ == "__main__":
- main()
-
|
