目录
项目介绍
整体流程
调试环境
项目流程
1.预处理
2.汽车识别——去背景算法(KNN/MOG2)
3.统计车流量数目
结尾
源代码
测试视频资料
流程图
项目介绍
本次项目主要采用了传统视觉的方法,对车道车流实现检测,能较为准确的识别出来车道上的车辆数目。由于传统视觉算法本身的局限性,因此也会有识别不准的地方。
整体流程
话不多说,先讲思路,直接上流程图
这里把所有预先设定的参数和变量统一称为了“宏”,然后对识别到的每一帧图像进行处理,最后得到理想的效果图。
效果图如下:
调试环境
Jupyter Notebook(Anaconda)Python 3.9.12OpenCv 4.5.5项目流程
1.预处理
#灰度cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#高斯去噪blur=cv2.GaussianBlur(frame,(5,5),5)mask=removebg.apply(blur)#腐蚀erode=cv2.erode(mask,kernel,iterations=2))#iteration=n 迭代n次#膨胀dilate=cv2.dilate(erode,kernel,iterations=2#cv2.imshow("x",dilate)dst=cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
2.汽车识别——去背景算法(KNN/MOG2)
先介绍KNN算法(因为本次采用的算法为KNN)
KNN最邻近分类算法的实现原理:为了判断未知样本的类别,以所有已知类别的样本作为参照,计算未知样本与所有已知样本的距离,从中选取与未知样本距离最近的K个已知样本,根据少数服从多数的投票法则(majority-voting),将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
在Opencv中,KNN算法已经被封装好了,所以我们直接调用就可以。
#KNN算法去背景removebg=cv2.createBackgroundSubtractorKNN()
MOG2是一个以混合高斯模型为基础的前景/背景分割算法。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。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。将他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模了。移动的物体会被标记为白色,背景会被标记为黑色的。使用方法同上,在此不过多赘述。
3.统计车流量数目
本次统计采用的方法为:找到矩形框的中心点经,当该点经过提前所设定好的直线时,车辆数+1
计算中心点的函数:
def center(x,y,w,h):x1=int(w/2)y1=int(h/2)cx=x+x1cy=y+y1
统计车流量的代码部分:
cpoint=center(x,y,w,h)cars.append(cpoint)#将中心点储存到cars数组中for (x,y) in cars:if(y>lineHeight-7 and y<lineHeight+7):Car_nums +=1cars.remove((x,y))print(Car_nums)
最后在经过一些简单的处理,该项目就实现了。
结尾
附源代码:
import cv2import numpy as nplineHeight=550#穿过直线的车的数量Car_nums=0#储存中心坐标的数组cars=[]#KNN算法去背景removebg=cv2.createBackgroundSubtractorKNN()def center(x,y,w,h):x1=int(w/2)y1=int(h/2)cx=x+x1cy=y+y1return cx,cyvideo=cv2.VideoCapture('D://video.mp4')kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))while True:ret,frame=video.read()if(ret!=0):#灰度cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#高斯去噪blur=cv2.GaussianBlur(frame,(5,5),5)mask=removebg.apply(blur)#腐蚀erode=cv2.erode(mask,kernel,iterations=2))#iteration=n 迭代n次#膨胀dilate=cv2.dilate(erode,kernel,iterations=2#cv2.imshow("x",dilate)dst=cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)#cv2.imshow("x1",dst)#画出检测线cv2.line(frame,(10,lineHeight),(1400,lineHeight),(255,0,0),2)counts,h=cv2.findContours(dst,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#遍历所有轮廓for(i,c) in enumerate(counts):(x,y,w,h)=cv2.boundingRect(c)if((w<=90) and (h<=90)):continueif(y<66):continue#将有效的车绘制出来cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)cpoint=center(x,y,w,h)cars.append(cpoint)#将中心点储存到cars数组中for (x,y) in cars:if(y>lineHeight-7 and y<lineHeight+7):Car_nums +=1cars.remove((x,y))print(Car_nums)cv2.putText(frame,"Cars nums:"+str(Car_nums),(500,60),cv2.FONT_HERSHEY_DUPLEX,1,(255,0,0))cv2.imshow("video",frame)key=cv2.waitKey(1)if(key==27):breakvideo.release()cv2.destroyAllWindows()
附上测试视频资料:
链接:/s/1u_hjCtL3FR6FzeEVQar7wg?pwd=2Y1p
提取码:2Y1p