十一、车辆统计项目
效果图：
1、准备工作
1.1 涉及到的内容
- 窗口的显示
- 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
1.2 整体流程
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
2、加载视频
import cv2 # 加载视频 cap = cv2.VideoCapture('../resource/Car.mp4') # 循环读取视频帧 while True: ret, frame = cap.read() if ret is True: cv2.imshow('video', frame) key = cv2.waitKey(1) # 用户按ESC退出 if key == 27: break # 释放资源 cap.release() cv2.destroyAllWindows()
3、背景减除
背景减除（Background Subtraction）是许多基于计算机视觉的任务中的主要预处理步骤，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得到前景对象。
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，由于阴影也在运动，情况会变的更加复杂，为此引入了背景减除法，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。
cv2.BackgroundSubtractorMOG2()用法：
- 这是一个以混合高斯模型为基础的前景/背景分割算法。它是 P.KadewTraKuPong 和 R.Bowden 在2001年提出的。
- 它使用 K（K = 3 或 5）个高斯分布混合对背景像素进行建模。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的时间最长，而且更加静止。
- 在编写代码时，我们需要使用函数：
mog = cv2.bgsegm.createBackgroundSubtractorMOG()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
mask = mog.apply(frame)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。
import cv2 # 加载视频 cap = cv2.VideoCapture('../resource/Car.mp4') # 循环读取视频帧 while True: ret, frame = cap.read() if ret is True: cv2.imshow('video', frame) key = cv2.waitKey(50) # 用户按ESC退出 if key == 27: break # 释放资源 cap.release() cv2.destroyAllWindows()
4、形态学识别车辆
import cv2 # 加载视频 cap = cv2.VideoCapture('../resource/Car.mp4') # 创建mog对象 mog = cv2.bgsegm.createBackgroundSubtractorMOG() # 获取kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 循环读取视频帧 while True: ret, frame = cap.read() if ret is True: # 将原始帧灰度化 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 然后去噪 blur = cv2.GaussianBlur(gray, (3, 3), 5) mask = mog.apply(blur) # 腐蚀 erode = cv2.erode(mask, kernel) # 膨胀 dilate = cv2.dilate(erode, kernel, iterations=1) # 消除内部小块 # 闭运算 close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel) cv2.imshow('erode', erode) cv2.imshow('dilate', dilate) cv2.imshow('close', close) key = cv2.waitKey(50) # 用户按ESC退出 if key == 27: break # 释放资源 cap.release() cv2.destroyAllWindows()
1、腐蚀：
2、膨胀：
3、闭运算：
5、判断是否是车辆
import cv2 # 加载视频 cap = cv2.VideoCapture('../resource/Car.mp4') # 创建mog对象 mog = cv2.bgsegm.createBackgroundSubtractorMOG() # 获取kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) min_w = 35 min_h = 35 # 循环读取视频帧 while True: ret, frame = cap.read() if ret is True: # 将原始帧灰度化 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 然后去噪 blur = cv2.GaussianBlur(gray, (3, 3), 5) mask = mog.apply(blur) # 腐蚀 erode = cv2.erode(mask, kernel) # 膨胀 dilate = cv2.dilate(erode, kernel, iterations=2) # 消除内部小块 # 闭运算 close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel) # 查找轮廓 contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 画出所有检测出的轮廓 for contour in contours: # 最大外接矩形 (x, y, w, h) = cv2.boundingRect(contour) # 通过外接矩形的宽高大小来过滤小矩形 is_valid = ((w >= min_w) and (h >= min_h)) if not is_valid: continue # 能走到这里来的都是符合要求的矩形，即正常的车 # 要求坐标点都是整数 cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2) # cv2.imshow('erode', erode) # cv2.imshow('dilate', dilate) # cv2.imshow('close', close) cv2.imshow('frame', frame) key = cv2.waitKey(50) # 用户按ESC退出 if key == 27: break # 释放资源 cap.release() cv2.destroyAllWindows()
6、车辆计数
import cv2 # 加载视频 cap = cv2.VideoCapture('../resource/Car.mp4') # 创建mog对象 mog = cv2.bgsegm.createBackgroundSubtractorMOG() # 获取kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) min_w = 35 min_h = 35 line_high = 600 # 偏移量 offset = 5 cars = [] carno = 0 # 计算外接矩形的中心点 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 # 循环读取视频帧 while True: ret, frame = cap.read() if ret is True: # 将原始帧灰度化 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 然后去噪 blur = cv2.GaussianBlur(gray, (3, 3), 5) mask = mog.apply(blur) # 腐蚀 erode = cv2.erode(mask, kernel) # 膨胀 dilate = cv2.dilate(erode, kernel, iterations=2) # 消除内部小块 # 闭运算 close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel) # 查找轮廓 contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 画出检测线 cv2.line(frame, (0, line_high), (1280, line_high), (0, 255, 0), 2) # 画出所有检测出的轮廓 for contour in contours: # 最大外接矩形 (x, y, w, h) = cv2.boundingRect(contour) # 通过外接矩形的宽高大小来过滤小矩形 is_valid = ((w >= min_w) and (h >= min_h)) if not is_valid: continue # 能走到这里来的都是符合要求的矩形，即正常的车 # 要求坐标点都是整数 cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2) # 把车抽象为一点，即外接矩形的中心点 # 要通过外接矩形计算矩形的中心点 cpoint = center(x, y, w, h) cars.append(cpoint) cv2.circle(frame, cpoint, 5, (0, 0, 255), -1) # 判断汽车是否过检测线 for (x, y) in cars: if (line_high - offset) < y < (line_high + offset): # 落入了有效区间,计数+1 carno += 1 cars.remove((x, y)) print(carno) # 如何去计数 # cv2.imshow('erode', erode) # cv2.imshow('dilate', dilate) # cv2.imshow('close', close) cv2.putText(frame, 'Vehicle Count:' + str(carno), (420, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 255), 5) cv2.imshow('frame', frame) key = cv2.waitKey(50) # 用户按ESC退出 if key == 27: break # 释放资源 cap.release() cv2.destroyAllWindows()
