1. 从像素到车位传统图像处理的基础方法论第一次接触车位检测时我拿着停车场监控画面手足无措——满屏的车辆像打翻的积木根本分不清哪些是空位。后来发现OpenCV的传统图像处理就像老工匠的工具箱虽然工具简单但组合起来效果惊人。最基础的灰度化操作就能将三通道的彩色图像压缩为单通道处理速度直接提升3倍。记得有次处理4K分辨率图像时没做灰度化直接处理我的i7处理器风扇瞬间狂转。二值化才是真正的分水岭。自适应阈值算法能自动应对停车场常见的光照不均问题比如地下车库入口处的明暗交界。实测发现当blockSize设为25、C参数取16时对斜射阳光产生的渐变阴影效果最好。不过要注意雨天积水反光会让二值化图像出现大面积噪点这时需要先做直方图均衡化。形态学处理就像图像的美容师。3×3的矩形核做两次膨胀操作可以完美修复被轮胎压断的车位线。但有个坑我踩过三次——迭代次数超过3次会导致相邻车位粘连。有次客户现场的斜向车位检测总是失败最后发现改用45度旋转的椭圆形结构核识别率立刻从72%提升到89%。传统方法最大的优势是部署成本低树莓派4B加上普通USB摄像头就能搭建完整系统。去年给社区停车场改造时整套硬件成本不到500元。2. 霍夫变换的魔法与局限霍夫变换检测直线就像用雷达扫描图像中的铁轨。rho参数设为0.1像素精度theta设为π/10弧度时可以准确捕捉斜向车位线。但实际部署时发现当摄像头仰角超过30度透视变形会导致直线检测失效。这时需要先做逆透视变换我通常用棋盘格标定法获取变换矩阵。车位坐标映射是个精细活。最早我傻傻地用绝对坐标结果摄像头轻微震动就导致检测框漂移。后来改用相对坐标体系以检测到的车位线交点为基准稳定性提升明显。有个取巧的办法在停车场装修时让人用荧光漆在车位角点做标记夜间检测时用HSV色彩空间提取准确率能到98%。传统方法最头疼的是遮挡问题。有次演示时一辆购物车停在车位线上系统就误判为空位。后来加入纹理分析用LBP特征结合SVM分类器误检率降低了40%。但遇到SUV这种大车遮挡时还是会出现漏检这时候就体现出深度学习的优势了。3. 卷积神经网络的降维打击第一次用YOLOv5做车位检测时我被它的暴力美学震惊了。不需要复杂的预处理直接把1080P图像缩放到640×640输入网络连车头朝向都能识别出来。在阳光强烈的露天停车场传统方法准确率会跌到70%以下但YOLOv5仍能保持92%的稳定表现。模型轻量化是落地关键。用官方提供的yolov5s模型在Tesla T4上能跑到140FPS但移植到Jetson Xavier NX上只剩23FPS。后来尝试通道剪枝把conv层的通道数压缩40%速度提升到35FPS时精度只下降1.8%。更绝的是改用TensorRT加速后同样的模型能跑到58FPS。数据标注有门道。早期我们按车辆中心点标注结果遇到斜停车辆就抓瞎。后来改用旋转矩形框标注mAP直接提升15个百分点。还发现个有趣现象在训练数据中加入10%的雨天、雾天图像模型在恶劣天气下的鲁棒性会显著提高。4. 混合方案的黄金平衡点现在我们的生产系统采用了一种有趣的混合架构用YOLOv5做车辆检测用传统方法做车位状态校验。当深度学习模型检测到车辆时会用OpenCV计算该区域的纹理复杂度双重验证才判定为占用状态。这种方案在Costco这种购物车频繁出现的场景下误报率比纯深度学习方案低60%。模型更新策略也很讲究。我们部署了在线学习机制当系统连续5次检测结果与地磁传感器不一致时会自动触发数据采集流程。但这些数据需要经过人工审核才会加入训练集避免错误样本污染模型。上个月系统自动收集了237组特殊样本包括运钞车、房车等罕见车辆模型更新后这些场景的识别准确率提升了43%。边缘计算设备的性能调优是最后一道坎。在海康威视的AI摄像头里跑模型时发现FP16精度会导致小目标检测失效。后来改用INT8量化自适应分辨率输入在保证检出率的前提下把处理延迟控制在120ms以内。有个取巧的设置当停车场空置率超过80%时系统会自动降低检测频率节省计算资源。