OpenCV图像处理11车辆统计项目
Posted LeoATLiang
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了OpenCV图像处理11车辆统计项目相关的知识,希望对你有一定的参考价值。
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
while True:
ret, frame = cap.read()
if ret is True:
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。
- 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
- 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
while True:
ret, frame = cap.read()
if ret is True:
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
while True:
ret, frame = cap.read()
if ret is True:
# 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
while True:
ret, frame = cap.read()
if ret is True:
# 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))
if not 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
def center(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
while True:
ret, frame = cap.read()
if ret is True:
# 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))
if not 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()
以上是关于OpenCV图像处理11车辆统计项目的主要内容,如果未能解决你的问题,请参考以下文章