0


【OpenCV图像处理11】车辆统计项目

文章目录

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whileTrue:
    ret, frame = cap.read()if ret isTrue:
        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whileTrue:
    ret, frame = cap.read()if ret isTrue:
        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whileTrue:
    ret, frame = cap.read()if ret isTrue:# 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whileTrue:
    ret, frame = cap.read()if ret isTrue:# 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))ifnot 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defcenter(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whileTrue:
    ret, frame = cap.read()if ret isTrue:# 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))ifnot 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()


本文转载自: https://blog.csdn.net/m0_70885101/article/details/126554555
版权归原作者 LeoATLiang 所有, 如有侵权,请联系我们删除。

“【OpenCV图像处理11】车辆统计项目”的评论:

还没有评论