基于MATLAB的视频车辆跟踪和计数系统仿真

Posted 2022-08-22 fpga和matlab

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于MATLAB的视频车辆跟踪和计数系统仿真相关的知识，希望对你有一定的参考价值。

一、理论基础

主要是通过和提取的背景进行对比，得到汽车的基本轮廓，然后再通过视频的前后帧进行差分比对，得到运动汽车。最后对获得图片进行处理提取汽车。其流程图如下所示：

二、思路流程

·视频读取介绍

首先MATLAB中对于视屏支持较好的格式为8bit，16bit，24bit的AVI格式，所以我们首先要将您提供的WMV文件转换为对应的AVI格式，以方便处理。此外，为了防止出现OUT OF MEMORY的问题，我们在给你做的时候，将视频的大小变小了，改为320*240.然后由于系统不要求采用实时的做法，所以我们直接压缩为没秒10帧的格式

注意，用我们提供的转换软件进行转换，转换参数配置界面如下所示。

此外，由于源视屏时间比较长，这对于一般电脑来说，在MATLAB中会出现OUT OF MEMORY的错误，所以我们需要将视频结成不同的长度的视频，这里，我们将视频截成3s，15frame/s的视屏格式。

这里我们从你提供的视屏中截取了5个小片段，分包有摩托车，小汽车，大卡车，面包车，以及行人等各类因素。所以能说明问题了。

对应代码为

function [Obj,frameNum] = get_AVI(datas);

Obj       = mmreader(datas);

frameNum  = get(Obj,'NumberOfFrames');

end

注意MATLAB对AVI，WMV格式的限制，所以最好先对视屏文件处理一下。

·背景的提取

本系统一个比较重要的部分就是背景的提取。

背景差分法，假设在提取运动目标的过程中其对应的背景是固定不变的，在这种条件下，该方法能精确的提取出快速、缓慢运动和静止的前景目标。正是由于这种特点，背景分差法对背景的变化非常敏感，只要背景发生较大的变化，则可能造成误检的现象。

在高速公路监控图像中，通过标定场景路面图像作为图像处理区域，其背景图像简单，而且每个背景点上的颜色分布比较集中。因此可以采用运算速度快、性能较好的统计学背景模型——序列均值法。

就是对一个视屏的像素求和再平均，由于过往的车辆是少数，所以求平均之后，其得到的像素值基本接近了背景。

function [back_ground,back1] = get_background(Obj,frameNum_Original);

for i = 1:frameNum_Original

    pixel(:,:,i)      = rgb2gray(read(Obj,i));  

end

rows = size(pixel,1);%240

cols = size(pixel,2);%320

for i = 1:rows

    for j = 1:cols

    back1(i,j) = 0;   

    end

end

for k = 1:frameNum_Original

    for i = 1:rows

       for j = 1:cols

       back1(i,j) = back1(i,j)+ double(pixel(i,j,k));  

       end

    end

end   

for i = 1:rows

    for j = 1:cols

    back_ground(i,j) = uint8(back1(i,j)/frameNum_Original);   

    end

end

·视频预处理

for i = 1:frameNum

    pixel(:,:,i) = rgb2gray(read(Obj,i));

end

这个步骤比较简单，就是将每个视屏帧图片变成灰度图，一般系统处理。

三、部分MATLAB代码

顶层代码如下：

 clc;
close all;

clear all;
%Step1:读取视频
%Step1:读取视频
[Obj,frameNum_Original] = get_AVI('avi\\02.AVI');


%Step2：背景的提取
%Step2：背景的提取
%level越大，背景提取的越精确,通过序列平均法来求背景,所以对于背景的获取，
%我们采用的是前面车辆较少的视频
%在实际中，我们一般统计低峰期的平均值，所以这里我们使用01.AVI
[Obj2,frameNum_Original2] = get_AVI('avi\\01.AVI');
[back_ground,back1] = get_background(Obj2,frameNum_Original2);


% Step3:视屏预处理
% Step3:视屏预处理
frameNum       = frameNum_Original;
pixel          = vedio_op(Obj,frameNum);
 
% Step4:汽车捕获
% Step4:汽车捕获
 [bw,L2,L3,bws,L,pixel2] = get_car(pixel,frameNum,back_ground);

%显示捕获后的汽车结果。
implay(pixel2);
 


% %车数目的计算，为了防止图像处理过程中的误差，一般我们选取图层中的合适位置进行统计车辆
% %一般选取离摄像头近的区域
% %检测车的数量
% %检测车的密度。测试总数量/测试总时间
% %计算每秒中通过车子数目。即车流密度。
% [num_car,num_p] = car_number(pixel,frameNum,L2);


%检测车的数量
rows         = size(L3,1); %240
cols         = size(L3,2); %320
Length       = size(L3,3);

area=0;
TotalPic=0;

for i =1:Length
TotalPic=car_information(bws(:,:,i),cols,rows,0.5);
      if isempty(TotalPic)==0
      area(1:length(TotalPic(4,:)),i)=TotalPic(4,:);
      end
end
num(1:size(area,2))=0;
for i = 1:size(area,2)
    for j = 1:size(area,1)
        if area(j,i)>100
        num(i) = num(i) + 1;
        else
        num(i) = num(i);
        end 
    end
end

areas =sort(area(:,i));
[Carnum,v]=max(num)


% % 检测车的种类
% % area=0;
% % TotalPic=0;
% % for i =1:Length%防止因为汽车开远，导致估计类别错误，所以只统计视频下半部分1/3的车辆面积大小
% % TotalPic=car_information(bws(0.5*rows:rows,:,i),cols,rows/2,0.5);
% %       if isempty(TotalPic)==0
% %       area2(1:length(TotalPic(4,:)),i)=TotalPic(4,:);
% %       end
% % end