基于OpenCV-车辆检测项目(简易版)

简介: 1.项目介绍对一个视频进行车辆数量的检测,用到的知识有视频的读取,滤波器,形态学,添加直线、文本;项目流程为:1.读取一段视频。2.通过形态学处理识别车辆。3.对车辆进行计数。4.显示车辆统计信息。

1.项目介绍

对一个视频进行车辆数量的检测,用到的知识有视频的读取,滤波器,形态学,添加直线、文本;项目流程为:1.读取一段视频。2.通过形态学处理识别车辆。3.对车辆进行计数。4.显示车辆统计信息。

2. 读取一段视频

在进行车辆检测之前,首先要把视频读进来。

代码如下:

import cv2
import numpy as np
# 创建视频帧对象
cap = cv2.VideoCapture('./video/video.mp4')
# 检测视频是否被打开
if not cap.isOpened():
    print('video open failed')
    exit(0)
# 循环读取图片
while True:
    ret, frame = cap.read()
    # 检测是否正确读取视频帧
    if not ret:
        print('视频帧读取有误')
        break
    # 读取正确
    cv2.imshow('frame', frame)
    # 视频播放速度过快,该成正常速度
    # key = cv2.waitKey(1) & 0xff 播放过快
    key = cv2.waitKey(int(1000/cap.get(cv2.CAP_PROP_FPS))) & 0xff
    if key == 27:
        break # 按ESC退出
# 释放资源
cap.release()
cv2.destroyAllWindows()

3.通过形态学处理识别车辆

先将彩色图像转化为灰度图,然后高斯滤波,接着去背景获得前景,接着通过腐蚀腐蚀图中小斑点,然后再膨胀,用闭运算去除图案里面的小方块。得到一个可以识别的图像。

def bodyResize(img):
    # 将图像转化为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 使用高斯滤波去噪
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    # 去背景
    mask = bgsubmog.apply(blur)
    # 腐蚀去掉图中的小方块
    erode = cv2.erode(mask, kernel, iterations=1)
    # 膨胀放大
    dilate = cv2.dilate(erode, kernel, iterations=3)
    # 闭操作,去掉物体内部的小方块
    close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
    close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)
    return close

处理过后如图所示:白色的为车辆。


a7ca43881da44b81b036b7b6df7b3b79.png

4.描画轮廓

首先要检测出轮廓,然后根据得到的轮廓画矩形,为了防止矩形太多,过滤掉太小的矩形。

def drawContours(img, points):
    # 根据轮廓画矩形
    for (i, points) in enumerate(contours):
        #print(i, points)
        # 画最大外接矩形,太小就不画
        x, y, w, h = cv2.boundingRect(points)
        if w < min_w and h < min_h:
            continue
        cv2.rectangle(frame, (x, y), (x+w, y+h),(255, 0, 0), 2)

5. 车辆计数并显示

首先把车辆看成一个个矩形,然后算出矩形的中心点,中心点过直线就统计成一辆车,最后将计数打印在图片上。完整版代码如下。

import cv2
import numpy as np
# 矩形最小宽高
min_w = 90
min_h = 90
# 存储有效车辆的数组
cars = []
# 设置线高
line_high = 600
# 偏移量
offest = 9
# 车的数量
count = 0
def center(x, y, w, h):
    x1 = x+w/2
    y1 = y+h/2
    return x1, y1
def bodyResize(img):
    # 将图像转化为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 使用高斯滤波去噪
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    # 去背景
    mask = bgsubmog.apply(blur)
    # 腐蚀去掉图中的小方块
    erode = cv2.erode(mask, kernel, iterations=1)
    # 膨胀放大
    dilate = cv2.dilate(erode, kernel, iterations=3)
    # 闭操作,去掉物体内部的小方块
    close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
    close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)
    return close
def drawContours(img, points):
    # 根据轮廓画矩形
    for (i, points) in enumerate(contours):
        #print(i, points)
        # 画最大外接矩形,太小就不画
        x, y, w, h = cv2.boundingRect(points)
        if w < min_w and h < min_h:
            continue
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
# 创建视频帧对象
cap = cv2.VideoCapture('./video/video.mp4')
# 创建去背景的对象
bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()
# 卷积核大小
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 检测视频是否被打开
if not cap.isOpened():
    print('video open failed')
    exit(0)
# 循环读取图片
while True:
    ret, frame = cap.read()
    # 检测是否正确读取视频帧
    if not ret:
        print('视频帧读取有误')
        break
    # 下面都是读取正确的车辆
    # 画直线,用来统计车
    cv2.line(frame, (10, line_high), (1270, line_high), (0, 0, 255), 2)
    # 进行形态学处理
    close = bodyResize(frame)
    # 检测轮廓
    contours, hier = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    # 根据轮廓画矩形
    for (i, points) in enumerate(contours):
        # print(i, points)
        # 画最大外接矩形,太小就不画
        x, y, w, h = cv2.boundingRect(points)
        if w < min_w and h < min_h:
            continue
        cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
        # 统计车辆数量
        # 求出车的中心点
        cen_point = center(x, y, w, h)
        cars.append(cen_point)
        # 统计过直线的车的数量
        for (x, y) in cars:
            if(y > line_high - offest) and (y < line_high + offest):
                count = count + 1
                cars.remove((x, y))
                # print(count)
    # 将count打印在屏幕上
    cv2.putText(frame, "count = "+str(count), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (255,0,0), 5)
    cv2.imshow('frame', frame)
    # cv2.imshow('resize', close)
    # 视频播放速度过快,该成正常速度
    # key = cv2.waitKey(1) & 0xff 播放过快
    key = cv2.waitKey(int(1000/cap.get(cv2.CAP_PROP_FPS))) & 0xff
    if key == 27:
        break  # 按ESC退出
# 释放资源
cap.release()
cv2.destroyAllWindows(


image.png

此项目仅供个人练习使用,目的是加强对OpenCV的各种API的理解,本项目是基于传统图像处理,还存在较大缺陷,比如极端情况计数不准等问题,后续优化还可以依据深度学习等模型来训练,如有问题,欢迎在评论区讨论。

目录
相关文章
|
4月前
|
存储 算法 Linux
【实战项目】网络编程:在Linux环境下基于opencv和socket的人脸识别系统--C++实现
【实战项目】网络编程:在Linux环境下基于opencv和socket的人脸识别系统--C++实现
167 7
yolov5项目如何安装pycocotools和opencv-python?
本文提供了解决yolov5项目中安装pycocotools和opencv-python包失败的两种方法:手动安装或使用国内镜像源进行安装。
yolov5项目如何安装pycocotools和opencv-python?
|
2月前
|
机器学习/深度学习 传感器 算法
OpenCV4工业缺陷检测的六种方法
OpenCV4工业缺陷检测的六种方法
|
3月前
|
存储 编解码 算法
【Qt&OpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContours&drawContours】
【Qt&OpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContours&drawContours】
51 0
|
2月前
|
机器学习/深度学习 人工智能 计算机视觉
好的资源-----打卡机+Arm+Qt+OpenCV嵌入式项目-基于人脸识别的考勤系统-----B站神经网络与深度学习,商城
好的资源-----打卡机+Arm+Qt+OpenCV嵌入式项目-基于人脸识别的考勤系统-----B站神经网络与深度学习,商城
|
4月前
|
数据采集 Java 数据挖掘
最新Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测!,2024年最新网易云java面试
最新Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测!,2024年最新网易云java面试
最新Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测!,2024年最新网易云java面试
|
3月前
|
机器学习/深度学习 算法 数据库
【功能超全】基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目
【功能超全】基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目
|
3月前
|
监控 安全 计算机视觉
实战 | 18行代码轻松实现人脸实时检测【附完整代码与源码详解】Opencv、人脸检测
实战 | 18行代码轻松实现人脸实时检测【附完整代码与源码详解】Opencv、人脸检测
|
3月前
|
机器学习/深度学习 算法 数据可视化
基于OpenCV的人脸检测软件(含Python源码+UI界面+图文详解)
基于OpenCV的人脸检测软件(含Python源码+UI界面+图文详解)
|
4月前
|
机器学习/深度学习 传感器 算法
【OpenCV】告别人工目检:深度学习技术引领工业品缺陷检测新时代
【OpenCV】告别人工目检:深度学习技术引领工业品缺陷检测新时代
下一篇
云函数