车辆统计项目
效果图：
; 涉及到的内容
- 窗口的展示
- 图像/视频的加载
- 基本图像的绘制
-
- 车辆识别
- 基本图像运算与处理
- 形态学
- *轮廓查找
大体流程
1. 加载视频
2. 通过形态学识别车辆
3. 对车辆进行统计
4. 显示车辆统计信息
知识补充
背景减除
背景减除（ Background Subtraction ） 是许多基于计算机视觉的任务中主要的 预处理步骤。如果我们有完整的静止的背景帧，那么我们可以通过帧差法来计算像素差从而获取到前景对象。
但是在大多数情况下，我们可能没有这样的图像，所以我们 需要从我们拥有的任何图像中提取背景。当运动物体有阴影时，由于阴影也在移动，情况会变得更加复杂，为此引入 背景减除算法。
通过这一方法我们能够从视频中分离出运动的物体前景，从而达到目标检测的目的
BackgroundSubtractorMOG- 这是一个以混合高斯模型为基础的前景/背景分割算法
- 它使用K(K = 3 或 5)个高斯分布混合对背景图像进行建模。使用这些颜色（在整个视频中）存在时间的长短作为混合的权重，背景的颜色一般持续时间最长，而且更加静止
- 在编写代码时，我们需要使用函数
cv2.createBackgroundSubtractorMOG2()创建一个背景对象。这个函数有些可选参数，比如要进行建模场景的时间长度，高斯混合成分的数量，阈值等。 将它们全部设置为默认值，然后在整个视频中我们是需要使用backgroundsubtractor.apply()就可以得到 前景的掩膜了 - *移动的物体会被标记为白色，背景会被标记为黑色的
具体流程
视频加载
关键API：打开摄像头 cap = cv2.VideoCapture('./video.mp4')；读取数据 ret,frame = cap.read()
import cv2
import numpy as np
cap = cv2.VideoCapture('./video.mp4')
while True :
ret,frame = cap.read()
if ret == True:
cv2.imshow('video',frame)
key = cv2.waitKey(1)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()
去除背景
OpenCV会把不会动的东西（蓝天白云…）分辨出 背景；把会动的东西（车辆、行人…）叫做 前景
由于我们要 检测会动的车辆（前景），所以要 把不会动的背景去除掉，用到了 背景减除（ Background Subtraction ） ——>效果是： 动的东西（前景）会变成白色 ；不动的东西（背景）会变成黑色
关键API： cv2.createBackgroundSubtractorMOG2() # 直接用 不用写参数
import cv2
import numpy as np
cap = cv2.VideoCapture('./video.mp4')
mog = cv2.createBackgroundSubtractorMOG2()
while True:
ret,frame = cap.read()
if ret == True :
fgmask = mog.apply(frame)
cv2.imshow('video',fgmask)
key = cv2.waitKey(100)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()
结果：
形态学识别车辆
从去背景例程中，我们可以发现有很多白点（噪声），因此我们需要 降噪
我们可以发现噪声比较均匀，不适合用中值滤波去除，而是用 高斯滤波
关键API： cv2.GaussianBlur(gray,(7,7),5)
降噪：
import cv2
import numpy as np
cap = cv2.VideoCapture('./car.mp4')
mog = cv2.createBackgroundSubtractorMOG2()
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
min_w = 90
min_h = 90
while True:
ret,frame = cap.read()
if ret == True :
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(7,7),5)
fgmask = mog.apply(blur)
erode = cv2.erode(fgmask,kernel)
dilate = cv2.dilate(erode,kernel,iterations = 2)
close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
cv2.imshow('video',close)
key = cv2.waitKey(1)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()
结果：
识别车辆轮廓：
关键API： cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
我们设置一个阈值，如果某一像素面积大于这个阈值，那么就说明这是🚗
在 降噪后的黑白图中得到轮廓的对应 (x,y,w,h)坐标，再用 cv2.rectangle(frame,(int(x),int(y)),(int(x+w),int(y+h)),(0,255,255),2)在 原图中画出
import cv2
import numpy as np
cap = cv2.VideoCapture('./car.mp4')
mog = cv2.createBackgroundSubtractorMOG2()
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
min_w = 90
min_h = 90
while True:
ret,frame = cap.read()
if ret == True :
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(7,7),5)
fgmask = mog.apply(blur)
erode = cv2.erode(fgmask,kernel)
dilate = cv2.dilate(erode,kernel,iterations = 2)
close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
contours,h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
(x,y,w,h) = cv2.boundingRect(contour)
if (w < min_w) and (h < min_h) :
continue
cv2.rectangle(frame,(int(x),int(y)),(int(x+w),int(y+h)),(0,255,255),2)
cv2.imshow('frame',frame)
key = cv2.waitKey(1)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()
对车辆进行统计
我们不可能对整幅图进行统计，那样太乱了，也有很多噪声—— 我们应该画一条线，对经过这条线的车辆进行统计
这就有两个难点了：
1.如何画线，在哪画线
- 关键API： 画线
cv2.line(frame,(10,line_high),(1200,line_high),(255,255,0),3) # 参数：画在那、起始点、结束点、颜色
2.如何统计
- 把车抽象为一个点 ——> 即外接矩形的中心点，记录下当前的点，并且用中心点的y坐标和检测线加上偏移量进行对比，如果坐标在区间内，则检测到车辆，否则不算
- 设置一个空列表
cars[ ]，以追加cars.append()的方式把每一个点都追加到列表中，后用for循环遍历这些点，对于满足的点剔除掉cars.remove((x,y))，避免重复
import cv2
import numpy as np
cap = cv2.VideoCapture('./car.mp4')
mog = cv2.createBackgroundSubtractorMOG2()
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
min_w = 90
min_h = 90
line_high = 450
offset = 6
cars = []
car_num = 0
def center(x,y,w,h):
x1 = int(w / 2)
y1 = int(h / 2)
cx = int(x) + x1
cy = int(y) + y1
return cx,cy
while True:
ret,frame = cap.read()
if ret == True :
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(7,7),5)
fgmask = mog.apply(blur)
erode = cv2.erode(fgmask,kernel)
dilate = cv2.dilate(erode,kernel,iterations = 2)
close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
contours,h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.line(frame,(10,line_high),(1200,line_high),(255,255,0),3)
for contour in contours:
(x,y,w,h) = cv2.boundingRect(contour)
if (w < min_w) and (h < min_h) :
continue
cv2.rectangle(frame,(int(x),int(y)),(int(x+w),int(y+h)),(0,255,255),2)
my_center = center(x,y,w,h)
cv2.circle(frame,(my_center),5,(0,255,255),-1)
cars.append(my_center)
for (x , y) in cars:
if (y > line_high - offset) and (y < line_high + offset):
car_num += 1
cars.remove((x,y))
cv2.imshow('frame',frame)
key = cv2.waitKey(100)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()
结果：
显示车辆统计信息
关键API： cv2.putText(frame,'Vehicle Count:' + str(car_num) ,(200,60),cv2.FONT_HERSHEY_SIMPLEX,2,(0,0,255),3)
总体代码：
import cv2
import numpy as np
cap = cv2.VideoCapture('./car.mp4')
mog = cv2.createBackgroundSubtractorMOG2()
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
min_w = 85
min_h = 80
line_high = 465
offset = 6
cars = []
car_num = 0
def center(x,y,w,h):
x1 = int(w / 2)
y1 = int(h / 2)
cx = int(x) + x1
cy = int(y) + y1
return cx,cy
while True:
ret,frame = cap.read()
if ret == True :
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(7,7),5)
fgmask = mog.apply(blur)
erode = cv2.erode(fgmask,kernel,iterations = 2)
dilate = cv2.dilate(erode,kernel,iterations = 3)
close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
contours,h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.line(frame,(10,line_high),(1200,line_high),(255,255,0),3)
for contour in contours:
(x,y,w,h) = cv2.boundingRect(contour)
if (w < min_w) and (h < min_h) :
continue
cv2.rectangle(frame,(int(x),int(y)),(int(x+w),int(y+h)),(0,255,255),2)
my_center = center(x,y,w,h)
cv2.circle(frame,(my_center),5,(0,255,255),-1)
cars.append(my_center)
for (x , y) in cars:
if (y >= line_high - offset) and (y line_high + offset):
car_num += 1
cars.remove((x,y))
cv2.putText(frame,'Vehicle Count:' + str(car_num) ,(200,60),cv2.FONT_HERSHEY_SIMPLEX,2,(0,0,255),3)
cv2.imshow('frame',frame)
key = cv2.waitKey(10)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()
结果：
Original: https://blog.csdn.net/m0_59466249/article/details/125934965
Author: Lionetxx
Title: OpenCV：09车辆统计项目
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/702287/
转载文章受原作者版权保护。转载请注明原作者出处！