22.【实战】车辆统计

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

1. import cv2
2. import numpy as np
4. cap = cv2.VideoCapture('E:\\video.mp4') #加载视频
6. while True:
7.     ret, frame = cap.read()
9.     if (ret == True) :
10.         cv2.imshow('video',frame)
11.     key = cv2.waitKey(1)
12.     if(key == 27) : #esc键
13.         break
15. cap.release()
16. cv2.destroyAllWindows()

复制代码

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

1. import cv2
2. import numpy as np
4. cap = cv2.VideoCapture('E:\\video.mp4') #加载视频
6. bgsubmog = cv2.createBackgroundSubtractorMOG2()
7. test = cv2.createBackgroundSubtractorMOG2()   #测试未经过高斯去噪的图像效果
8. while True:
9.     ret, frame = cap.read()
11.     if (ret == True) :
12.         
13.         # 灰度化处理
14.         cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
15.         # 去噪（高斯）
16.         blur = cv2.GaussianBlur(frame, (7,7),5)
17.         # 去背景
18.         mask = bgsubmog.apply(blur)
20.         test1 = test.apply(frame)
21.         cv2.imshow('video', mask)
22.         cv2.imshow('test1', test1)
23.         
24.     key = cv2.waitKey(1)
25.     if(key == 27) : #esc键
26.         break
28. cap.release()
29. cv2.destroyAllWindows()

复制代码

形态学处理

腐蚀、膨胀、开运算、闭运算、顶帽、黑帽

1. import cv2
2. from cv2 import erode
3. from cv2 import dilate
4. import numpy as np
6. cap = cv2.VideoCapture('E:\\video.mp4') #加载视频
8. bgsubmog = cv2.createBackgroundSubtractorMOG2()
10. # 形态学kernel
11. kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
13. while True:
14.     ret, frame = cap.read()
16.     if (ret == True) :
17.         
18.         # 灰度化处理
19.         cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
20.         # 去噪（高斯）
21.         blur = cv2.GaussianBlur(frame, (7,7),5)
22.         # 去背景
23.         mask = bgsubmog.apply(blur)
24.         # 腐蚀
25.         erode = cv2.erode(mask, kernel)
26.         # 膨胀
27.         dilate = cv2.dilate(erode, kernel, iterations= 2)
29.         # 形态学闭运算，去除图像里面的噪点
30.         close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
32.         # 查找轮廓
33.         cnts, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
34.         # 对所有轮廓进行遍历
35.         for (i, c) in enumerate(cnts):
36.             (x,y,w,h) = cv2.boundingRect(c)
37.             cv2.rectangle(frame, (x,y),(x+w,y+h),(0,0,255),2)
38.         
39.         cv2.imshow('video', frame)
40.         # cv2.imshow('close', close)   
41.         
42.     key = cv2.waitKey(1)
43.     if(key == 27) : # esc键
44.         break
46. cap.release()
47. cv2.destroyAllWindows()

复制代码

 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：

1. from asyncio import CancelledError
2. import cv2
3. from cv2 import erode
4. from cv2 import dilate
5. import numpy as np
7. # 滤除的最小矩形的范围
8. min_w = 90
9. min_h = 90
11. # 定义检测线的高度，与视频大小有关，视频左上角为（0，0）
12. line_high = 550
13. # 线的偏移量
14. offset = 7
16. # 统计车的数量
17. carno = 0
19. # 存放有效车辆的数组
20. cars = []
22. # 求车的中心点
23. def center(x,y,w,h):
24.     x1 = int(w/2)
25.     y1 = int(h/2)
26.     cx = x + x1
27.     cy = y + y1
28.     return cx,cy
30. cap = cv2.VideoCapture('E:\\video.mp4') #加载视频
32. bgsubmog = cv2.createBackgroundSubtractorMOG2()
34. # 形态学kernel
35. kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
37. while True:
38.     ret, frame = cap.read()
40.     if (ret == True) :
41.         
42.         # 灰度化处理
43.         cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
44.         # print(frame.shape)   # 获取视频大小的信息
45.         # exit()   # 该命令之后的所有程序都不执行
46.         # 去噪（高斯）
47.         blur = cv2.GaussianBlur(frame, (7,7),5)
48.         # 去背景
49.         mask = bgsubmog.apply(blur)
50.         # 腐蚀
51.         erode = cv2.erode(mask, kernel)
52.         # 膨胀
53.         dilate = cv2.dilate(erode, kernel, iterations= 2)
55.         # 形态学闭运算，去除图像里面的噪点
56.         close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
58.         # 查找轮廓
59.         cnts, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
60.         
61.         # 绘制一条检测线
62.         cv2.line(frame, (10,line_high),(1200, line_high),(255,255,0),3)
64.         # 对所有轮廓进行遍历
65.         for (i, c) in enumerate(cnts):
66.             (x,y,w,h) = cv2.boundingRect(c)
67.            
68.             # 对车辆的宽高进行判断，以验证是否为有效的车辆
69.             isValid = (w >= min_w) and ( h >= min_h)
70.             if( not isValid):
71.                 continue
72.             # 到这里都是有效的车，绘制车的矩形
73.             cv2.rectangle(frame, (x,y),(x+w,y+h),(0,0,255),2)
74.             # 存储车的中心点
75.             cpoint = center(x,y,w,h)    # 计算车的中心点
76.             cars.append(cpoint)    # 将中心点数据存储到cars这个数组中
78.             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
79.                 if ((y > line_high - offset) and (y < line_high + offset)):
80.                     carno += 1
81.                     cars.remove((x,y))  
82.                     print(carno)
83.         # 显示统计信息
84.         cv2.putText(frame, "Cars Count:" + str(carno),(500,60), cv2.FONT_HERSHEY_SIMPLEX, 2, (255, 0, 0), 5)   
85.         cv2.imshow('video', frame)
86.         # cv2.imshow('close', close)   
87.     key = cv2.waitKey(1)
88.     if(key == 27) : # esc键
89.         break
91. cap.release()
92. cv2.destroyAllWindows()

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！