Лекция 14

Неделя 14 - Финальный проект

1. Обзор проекта: Система мониторинга парковки

Разработаем комплексную систему для:

• Детекции свободных/занятых парковочных мест

• Распознавания номеров автомобилей

• Визуализации статистики

• Интеграции с базой данных

2. Архитектура решения

2.1. Компоненты системы

1. Модуль захвата видео (камеры/файлы)

2. Детектор парковочных мест (YOLOv5)

3. OCR для номеров (EasyOCR/Tesseract)

4. База данных (SQLite/PostgreSQL)

5. Веб-интерфейс (Flask/Dash)

2.2. Технологический стек

mermaid

Copy

graph TD

    A[Камеры] --> B(OpenCV Video Capture)

    B --> C[Детекция автомобилей]

    C --> D[Распознавание номеров]

    D --> E[Анализ занятости]

    E --> F[(База данных)]

    F --> G[Веб-интерфейс]

3. Реализация основных модулей

3.1. Детекция парковочных мест

python

Copy

import cv2

import numpy as np

class ParkingSpaceDetector:

    def __init__(self, model_path='parking_detector.onnx'):

        self.net = cv2.dnn.readNet(model_path)

        self.classes = ['free', 'occupied']

    def detect(self, img, conf_threshold=0.5):

        blob = cv2.dnn.blobFromImage(img, 1/255.0, (640,640), swapRB=True)

        self.net.setInput(blob)

        outputs = self.net.forward()

        results = []

        h, w = img.shape[:2]

        for detection in outputs[0][0]:

         scores = detection[5:]

         class_id = np.argmax(scores)

         confidence = scores[class_id]

         if confidence > conf_threshold:

             box = detection[0:4] * np.array([w, h, w, h])

             (centerX, centerY, width, height) = box.astype("int")

             x = int(centerX - (width / 2))

             y = int(centerY - (height / 2))

             results.append({

                 'class': self.classes[class_id],

                 'confidence': float(confidence),

                 'box': (x, y, int(width), int(height))

             })

        return results

3.2. Распознавание номеров

python

Copy

import easyocr

class LicensePlateRecognizer:

    def __init__(self):

        self.reader = easyocr.Reader(['en', 'ru'])

    def recognize(self, img):

        # Предварительная обработка

        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

        blurred = cv2.GaussianBlur(gray, (3,3), 0)

        thresh = cv2.adaptiveThreshold(blurred, 255,

                                     cv2.ADAPTIVE_THRESH_GAUSSIAN_C,

                                     cv2.THRESH_BINARY, 11, 2)

        # Распознавание

        results = self.reader.readtext(thresh)

        if results:

         return results[0][1]  # Возвращаем самый достоверный результат

        return None

3.3. Интеграция с базой данных

python

Copy

import sqlite3

from datetime import datetime

class ParkingDatabase:

    def __init__(self, db_path='parking.db'):

        self.conn = sqlite3.connect(db_path)

        self._create_tables()

    def _create_tables(self):

        cursor = self.conn.cursor()

        cursor.execute('''

         CREATE TABLE IF NOT EXISTS parking_spaces (

             id INTEGER PRIMARY KEY,

             status TEXT,

             plate_number TEXT,

             timestamp DATETIME

         )

        ''')

        self.conn.commit()

    def update_space(self, space_id, status, plate_number=None):

        cursor = self.conn.cursor()

        cursor.execute('''

         INSERT INTO parking_spaces (id, status, plate_number, timestamp)

            VALUES (?, ?, ?, ?)

        ''', (space_id, status, plate_number, datetime.now()))

        self.conn.commit()

    def get_occupancy_stats(self):

        cursor = self.conn.cursor()

        cursor.execute('''

         SELECT status, COUNT(*)

         FROM parking_spaces

         GROUP BY status

        ''')

        return dict(cursor.fetchall())

4. Основной цикл обработки

python

Copy

def main_processing_loop(video_source=0):

    # Инициализация компонентов

    detector = ParkingSpaceDetector()

    recognizer = LicensePlateRecognizer()

    db = ParkingDatabase()

    cap = cv2.VideoCapture(video_source)

    while True:

        ret, frame = cap.read()

        if not ret:

         break

        # Детекция парковочных мест

        spaces = detector.detect(frame)

        for space in spaces:

         x,y,w,h = space['box']

         status = space['class']

         # Выделение области номера (нижняя часть bounding box)

         plate_roi = frame[y+h//2:y+h, x:x+w]

         # Распознавание номера для занятых мест

         plate_number = None

         if status == 'occupied':

             plate_number = recognizer.recognize(plate_roi)

         # Визуализация

         color = (0,255,0) if status == 'free' else (0,0,255)

         cv2.rectangle(frame, (x,y), (x+w,y+h), color, 2)

         if plate_number:

             cv2.putText(frame, plate_number, (x,y-10),

                       cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255,255,255), 2)

         # Обновление базы данных

         space_id = f"{x}_{y}_{w}_{h}"  # Уникальный ID места

         db.update_space(space_id, status, plate_number)

        # Отображение статистики

        stats = db.get_occupancy_stats()

        free = stats.get('free', 0)

        occupied = stats.get('occupied', 0)

        total = free + occupied

        cv2.putText(frame, f"Free: {free} ({free/total:.0%})", (20,40),

                   cv2.FONT_HERSHEY_SIMPLEX, 1, (0,255,0), 2)

        cv2.putText(frame, f"Occupied: {occupied} ({occupied/total:.0%})", (20,80),

                cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)

        cv2.imshow('Parking Monitoring', frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):

         break

    cap.release()

    cv2.destroyAllWindows()

5. Визуализация данных

5.1. Веб-интерфейс на Flask

python

Copy

from flask import Flask, render_template

import sqlite3

from datetime import datetime, timedelta

app = Flask(__name__)

@app.route('/')

def dashboard():

    conn = sqlite3.connect('parking.db')

    cursor = conn.cursor()

    # Текущая статистика

    cursor.execute('''

        SELECT status, COUNT(*)

        FROM (

            SELECT id, status

         FROM parking_spaces

         GROUP BY id

         HAVING MAX(timestamp)

        )

        GROUP BY status

    ''')

    current_stats = dict(cursor.fetchall())

    # Исторические данные

    history = []

    for i in range(7):

        day = datetime.now() - timedelta(days=i)

        cursor.execute('''

         SELECT status, COUNT(*)

         FROM parking_spaces

         WHERE date(timestamp) = date(?)

         GROUP BY status

        ''', (day,))

        history.append({

         'date': day.strftime('%Y-%m-%d'),

         'stats': dict(cursor.fetchall())

        })

    conn.close()

    return render_template('dashboard.html',

                      current=current_stats,

                      history=reversed(history))

if __name__ == '__main__':

    app.run(debug=True)

5.2. HTML шаблон (dashboard.html)

html

Copy

<!DOCTYPE html>

<html>

<head>

    <title>Parking Monitoring</title>

    <script src="https://cdn.plot.ly/plotly-latest.min.js"></script>

</head>

<body>

    <h1>Parking Occupancy</h1>

    <div id="current" style="width:600px;height:300px;"></div>

    <h2>Last 7 Days</h2>

    <div id="history" style="width:800px;height:400px;"></div>

    <script>

        // Текущая статистика

        var free = {{ current.get('free', 0) }};

        var occupied = {{ current.get('occupied', 0) }};

        var data = [{

         values: [free, occupied],

         labels: ['Free', 'Occupied'],

         type: 'pie'

        }];

        Plotly.newPlot('current', data);

        // Исторические данные

        var historyDates = {{ [day['date'] for day in history]|tojson }};

        var freeHistory = {{ [day['stats'].get('free', 0) for day in history]|tojson }};

        var occupiedHistory = {{ [day['stats'].get('occupied', 0) for day in history]|tojson }};

        var historyData = [

         {

             x: historyDates,

             y: freeHistory,

             name: 'Free',

             type: 'bar'

         },

         {

             x: historyDates,

             y: occupiedHistory,

             name: 'Occupied',

             type: 'bar'

         }

        ];

        Plotly.newPlot('history', historyData, {barmode: 'stack'});

    </script>

</body>

</html>

Run HTML

6. Дополнительные улучшения

6.1. Масштабирование с Redis

python

Copy

import redis

import json

class RedisParkingDatabase:

    def __init__(self, host='localhost', port=6379):

        self.r = redis.Redis(host=host, port=port)

    def update_space(self, space_id, status, plate_number=None):

        data = {

         'status': status,

         'plate_number': plate_number,

         'timestamp': datetime.now().isoformat()

        }

        self.r.hset('parking_spaces', space_id, json.dumps(data))

    def get_occupancy_stats(self):

        spaces = self.r.hgetall('parking_spaces')

        stats = {'free': 0, 'occupied': 0}

        for space_id, space_data in spaces.items():

         data = json.loads(space_data)

         stats[data['status']] += 1

        return stats

6.2. Уведомления с Telegram Bot

python

Copy

import requests

class TelegramNotifier:

    def __init__(self, token, chat_id):

        self.token = token

     self.chat_id = chat_id

        self.base_url = f"https://api.telegram.org/bot{token}"

    def send_notification(self, message):

        url = f"{self.base_url}/sendMessage"

        params = {

         'chat_id': self.chat_id,

        'text': message

        }

        requests.post(url, params=params)

# Использование

notifier = TelegramNotifier('YOUR_TOKEN', 'CHAT_ID')

notifier.send_notification("Parking is 90% full!")

7. Практическое задание

1. Реализуйте систему мониторинга парковки с базовым функционалом

2. Добавьте распознавание номеров автомобилей

3. Создайте веб-интерфейс для визуализации данных

4. (Дополнительно) Реализуйте уведомления о заполнении парковки

5. Протестируйте систему на реальных/симулированных данных

8. Итоги

• Разработана комплексная система мониторинга парковки

• Использованы современные методы компьютерного зрения

• Реализована интеграция с базой данных

• Создан веб-интерфейс для визуализации

• Предложены пути масштабирования и улучшения

Заключение: Поздравляем с завершением курса! Теперь вы готовы создавать собственные системы компьютерного зрения.