OpenCV车位检测实战：从传统图像处理到YOLOv5的演进之路
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。