Предварительно обученный Mask-RCNN от Matterport можно легко использовать для обнаружения автомобилей на парковке. Чтобы использовать его, я записал на видео парковку возле моей квартиры. Даже когда мои руки трясутся от холода, общий прототип успешно обнаруживает свободное парковочное место.

Наблюдайте за изменением цвета других парковочных мест. В первую очередь из-за движущейся камеры во время записи автомобиль, припаркованный в этом районе, выезжает из отмеченного места. Используя Twilio API, мы можем легко сгенерировать номер и использовать его для отправки пользовательского сообщения на наш собственный мобильный телефон, когда есть свободное место для парковки. Есть отличный пост на медиа здесь, в котором описывается ход процесса. Основное предположение состоит в том, что первый кадр будет определять места для парковки, и ни один автомобиль в первом кадре не должен быть движущимся.

Это очень неудобно. Мы не можем ожидать, что возьмем наш мобильный телефон и нас обманет движущаяся машина только потому, что она была в первом кадре. Значит, надо придумать что-нибудь получше. Как насчет идентификации неподвижных автомобилей, наблюдая за ними в течение 5 секунд и предполагая, что они припаркованы только на разрешенной парковке. Таким образом, никакие движущиеся автомобили не будут мешать нашей системе.

Подход довольно прост. Я просто взял два кадра и сравнил их на наличие возможного движения с помощью вычитания кадров. Затем я размыл область, занимаемую движущимся транспортным средством, чтобы MASK-RCNN не захватил ее.

Давайте проверим, насколько хорошо наша система работает ночью, просто для удовольствия :)

Что, если мы используем iPhone 7 plus? Посмотрим:

Легко, правильно! Теперь все, что у меня есть для вас, ребята, это проверить мой другой репозиторий Yolo, чтобы увидеть, как мы можем ускорить процесс с помощью пакетной обработки. По сути, я прошу вас прочитать несколько кадров, сохранить их в буфере, а затем сразу отправить на обработку в GPU, чтобы максимизировать использование GPU. Таким образом, вы сможете воспользоваться 12 ГБ бесплатного K80 от colab.

Получайте удовольствие и дайте мне знать, если у вас появятся новые интересные идеи! Вы можете найти код на моем Git. Код запускается в Google Colab.