基于opencv的实时停车地点查找

基于opencv的实时停车地点查找的github
有点感觉这个已经被玩烂了也是这个主题的东东

这份代码的整体思路也是opencv进行深度学习的一般思路

1. Load Test and Train Files
2. Set key parameters（常规内容没什么好细讲了）
3. Build model on top of a trained VGG建立相应的模型（这里是vgg）

folder = 'train_data/train'
for sub_folder in os.listdir(folder):
    path, dirs, files = next(os.walk(os.path.join(folder,sub_folder)))
    files_train += len(files)

os.walk(path)含有例子的深度解析一句话就是：从给定的path走到底

那么为什么要用next？
其实如果你看了超链接里的就会发现os.walk是会分开几次遍历每一个文件夹，next应该就起到了连接不同文件夹的作用，从而得到全部的路径，文件夹和文件

model = applications.VGG16(weights = "imagenet", include_top=False, input_shape = (img_width, img_height, 3))

include_top=False一般默认为True，Flase代表没有全连接层

x = model.output
x = Flatten()(x)
# x = Dense(512, activation="relu")(x)
# x = Dropout(0.5)(x)
# x = Dense(256, activation="relu")(x)
# x = Dropout(0.5)(x)
predictions = Dense(num_classes, activation="softmax")(x)

Dense其实可以理解成pytorch的linear层

至于ImageDataGenerator 类看这篇应该够用了

github上这个是失效了所以我还是学习的之前提到的

删掉不需要的地方：

#删掉不需要的地方
def filter_region(image, vertices):
    mask = np.zeros_like(image)
    if len(mask.shape) == 2:
        cv2.fillPoly(mask, vertices, 255)  # 多边形填充
        show('mask', mask)
    return cv2.bitwise_and(image, mask)

需要的地方用的是255填充，不需要的使用np.zeros_like(image)，最后取并集bitwise_and(image, mask)