理论知识见上一节,最终效果如下

涉及到的内容
(1)窗口的展示
(2)图像/视频的加载
(3)基本图形的绘制
(4)车辆识别
基本图像运算与处理、形态学处理、轮廓查找
涉及到的知识点
加载视频
通过形态学识别车辆
对车辆进行统计
显示车辆统计信息
加载视频
import cv2
import numpy as np

cap = cv2.VideoCapture('E:\\video.mp4') #加载视频

while True:
ret, frame = cap.read()

if (ret == True) :
cv2.imshow('video',frame)
key = cv2.waitKey(1)
if(key == 27) : #esc键
break

cap.release()
cv2.destroyAllWindows()

去除背景(关键)
运动的物体为前景,静止的物体为背景。将前景提取出来,把背景去除。

createBackgroundSubtractorMOG()
history:缓冲,表示多少毫秒,可不指定参数,用默认的即可; 具体实现原理比较复杂,用到了一些视频序列关联信息,把像素值不变的认为是背景;
注意:在opencv中已经不支持该函数,而是用createBackgroundSubtractorMOG2()替代;如果需要使用可以安装opencv_contrib模块,在其中的bgsegm中保留了该函数;
API使用默认参数即可,调整比较多的是history,
在视频中,以时间轴为顺序。如果像素在整个时间轴内不发生变化,则认为是背景,如果发生变化且很频繁,则认为是前景。
去除背景参考论文:
An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection
在去除背景之前去噪:首先将原始图像进行灰度化,然后经过高斯滤波进行去噪
import cv2
import numpy as np

cap = cv2.VideoCapture('E:\\video.mp4') #加载视频

bgsubmog = cv2.createBackgroundSubtractorMOG2()
test = cv2.createBackgroundSubtractorMOG2() #测试未经过高斯去噪的图像效果
while True:
ret, frame = cap.read()

if (ret == True) :

# 灰度化处理
cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 去噪(高斯)
blur = cv2.GaussianBlur(frame, (7,7),5)
# 去背景
mask = bgsubmog.apply(blur)

test1 = test.apply(frame)
cv2.imshow('video', mask)
cv2.imshow('test1', test1)

key = cv2.waitKey(1)
if(key == 27) : #esc键
break

cap.release()
cv2.destroyAllWindows()

形态学处理
腐蚀、膨胀、开运算、闭运算、顶帽、黑帽
import cv2
from cv2 import erode
from cv2 import dilate
import numpy as np

cap = cv2.VideoCapture('E:\\video.mp4') #加载视频

bgsubmog = cv2.createBackgroundSubtractorMOG2()

# 形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))

while True:
ret, frame = cap.read()

if (ret == True) :

# 灰度化处理
cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 去噪(高斯)
blur = cv2.GaussianBlur(frame, (7,7),5)
# 去背景
mask = bgsubmog.apply(blur)
# 腐蚀
erode = cv2.erode(mask, kernel)
# 膨胀
dilate = cv2.dilate(erode, kernel, iterations= 2)

# 形态学闭运算,去除图像里面的噪点
close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)

# 查找轮廓
cnts, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 对所有轮廓进行遍历
for (i, c) in enumerate(cnts):
(x,y,w,h) = cv2.boundingRect(c)
cv2.rectangle(frame, (x,y),(x+w,y+h),(0,0,255),2)

cv2.imshow('video', frame)
# cv2.imshow('close', close)

key = cv2.waitKey(1)
if(key == 27) : # esc键
break

cap.release()
cv2.destroyAllWindows()

 逻辑处理
通过宽和高去除小的矩形
绘制检测线,计算车的中心点
如果车的中心点落在检测线的有效区域内,则计数加1
显示车辆统计信息
将统计的信息显示在视频中,车辆被重复计数产生的原因:检测线过宽,车辆还未完全出去就又被统计一次,还有一个原因是检测线的位置
传统的车辆检测方法弊端:车速过慢容易造成重复检测,车速过快造成漏检
目前用的较多的方法为深度学习,对车辆进行跟踪
完整程序如下:
from asyncio import CancelledError
import cv2
from cv2 import erode
from cv2 import dilate
import numpy as np

# 滤除的最小矩形的范围
min_w = 90
min_h = 90

# 定义检测线的高度,与视频大小有关,视频左上角为(0,0)
line_high = 550
# 线的偏移量
offset = 7

# 统计车的数量
carno = 0

# 存放有效车辆的数组
cars = []

# 求车的中心点
def center(x,y,w,h):
x1 = int(w/2)
y1 = int(h/2)
cx = x + x1
cy = y + y1
return cx,cy

cap = cv2.VideoCapture('E:\\video.mp4') #加载视频

bgsubmog = cv2.createBackgroundSubtractorMOG2()

# 形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))

while True:
ret, frame = cap.read()

if (ret == True) :

# 灰度化处理
cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# print(frame.shape) # 获取视频大小的信息
# exit() # 该命令之后的所有程序都不执行
# 去噪(高斯)
blur = cv2.GaussianBlur(frame, (7,7),5)
# 去背景
mask = bgsubmog.apply(blur)
# 腐蚀
erode = cv2.erode(mask, kernel)
# 膨胀
dilate = cv2.dilate(erode, kernel, iterations= 2)

# 形态学闭运算,去除图像里面的噪点
close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)

# 查找轮廓
cnts, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 绘制一条检测线
cv2.line(frame, (10,line_high),(1200, line_high),(255,255,0),3)

# 对所有轮廓进行遍历
for (i, c) in enumerate(cnts):
(x,y,w,h) = cv2.boundingRect(c)

# 对车辆的宽高进行判断,以验证是否为有效的车辆
isValid = (w >= min_w) and ( h >= min_h)
if( not isValid):
continue
# 到这里都是有效的车,绘制车的矩形
cv2.rectangle(frame, (x,y),(x+w,y+h),(0,0,255),2)
# 存储车的中心点
cpoint = center(x,y,w,h) # 计算车的中心点
cars.append(cpoint) # 将中心点数据存储到cars这个数组中

for (x,y) in cars : # 遍历数组,如果车的中心点落在检测线的有效区域内,则计数+1,然后去除该数组
if ((y > line_high – offset) and (y < line_high + offset)):
carno += 1
cars.remove((x,y))
print(carno)
# 显示统计信息
cv2.putText(frame, "Cars Count:" + str(carno),(500,60), cv2.FONT_HERSHEY_SIMPLEX, 2, (255, 0, 0), 5)
cv2.imshow('video', frame)
# cv2.imshow('close', close)
key = cv2.waitKey(1)
if(key == 27) : # esc键
break

cap.release()
cv2.destroyAllWindows()来源:⁢稚子

物联沃分享整理
物联沃-IOTWORD物联网 » 22.【实战】车辆统计

发表评论