车辆统计项目(附原码)

Posted WL725

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了车辆统计项目(附原码)相关的知识，希望对你有一定的参考价值。

文章目录

1 基本原理

 统计某个时间段通过该路口车辆的个数

  1. 首先对于该路口的画面分析，我们想办法通过识别移动的物体，来追踪所有发生位移的东西
  2. 对移动的所有物体进行分析，过滤掉外在的影响因素（风吹动的树，移动的影子等）
  3. 得到车子的运动情况，进行轮廓分析，确保追踪识别到每一辆车子
  4. 把车子抽象成一个中心点，对点位的运动轨迹进行分析
  5. 设置一个坐标参考系，当这个点到这条参考系的距离足够近的时候，我们近似统计这个车辆通过

2 如何处理移动的物体

我们定义在视频里面，移动的物体称为前景,静止不动的为背景使用opencv里面的createBackgroundSubtractorMOG2()可以对所有的移动物体追踪。称之为背景减除

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取到前景对象。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，由于阴影也在移动，情况会变的变得更加复杂。为此引入了背景减除算法，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。 OpenCV已经实现了几种非常容易使用的算法。

import cv2

#打开默认摄像头
video  = cv2.VideoCapture(0)


#背景和前景的使用,生成背景对象
mog = cv2.createBackgroundSubtractorMOG2()

while True:
    #读取一帧照片
    ret,frame = video.read()
    if ret==True:
        #讲这一帧照片应用背景减除
        img = mog.apply(frame)
        #展示照片
        cv2.imshow('img',img)
    #每一毫秒一张照片
    k = cv2.waitKey(1)
    #按q建退出
    if k == ord('q'):
        break

video.release()
cv2.destroyAllWindows()

效果图

3 对图片中的干扰物进行处理——形态学处理

可见前导知识：图像的形态学。在得到如下效果图片后：

  • 腐蚀操作
  • 膨胀操作
  • 开运算
  • 闭运算

我们对图片中的各种阴影，如移动的树叶，行走的行人进行降噪，腐蚀操作、膨胀操作来减小干扰
图像的降噪处理

  • 方盒滤波
  • 均值滤波
  • 高斯滤波
  • 中值滤波
import cv2

#打开默认摄像头
video  = cv2.VideoCapture('video.mp4')


#背景和前景的使用,生成背景对象
mog = cv2.createBackgroundSubtractorMOG2()

#生成形态学内核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))


while True:
    #读取一帧照片
    ret,frame = video.read()
    if ret==True:
        #对照片进行灰度化处理：
        img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
        #对照片使用高斯降噪：
        img = cv2.GaussianBlur(img,(5,5,),1)
        #将这一帧照片应用背景减除
        img = mog.apply(frame)
        #进行腐蚀操作：
        img = cv2.erode(img,kernel,iterations=2)
        #进行膨胀操作：
        img = cv2.dilate(img,kernel)
        #由于膨胀操作会放大车子上的车牌等车内部分
        #对目标图片内部进行闭运算
        img = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
        #展示照片
        cv2.imshow('img',img)
    #每一毫秒一张照片
    k = cv2.waitKey(1)
    if k == ord('q'):
        break

video.release()
cv2.destroyAllWindows()

效果图

4 每个车子的轮廓进行处理

前导知识：图像的轮廓
得到所有车子的移动轨迹，我们进行轮廓处理，画出每个车子的最小外接矩阵

import cv2

#打开默认摄像头
video  = cv2.VideoCapture('video.mp4')


#背景和前景的使用,生成背景对象
mog = cv2.createBackgroundSubtractorMOG2()

#生成形态学内核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))


while True:
    #读取一帧照片
    ret,frame = video.read()
    if ret==True:
        #对照片进行灰度化处理：
        img = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        #对照片使用高斯降噪：
        img = cv2.GaussianBlur(img,(5,5,),1)
        #将这一帧照片应用背景减除
        img = mog.apply(frame)
        #进行腐蚀操作：
        img = cv2.erode(img,kernel,iterations=2)
        #进行膨胀操作：
        img = cv2.dilate(img,kernel)
        #由于膨胀操作会放大车子上的车牌等车内部分
        #对目标图片内部进行闭运算
        img = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

        # 查找轮廓，返回轮廓和阶级
        contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        #对所有车子进行处理，也就是处理所有的轮廓坐标
        for contour in contours:
            # 最大外接矩阵的生成
            x, y, w, h = cv2.boundingRect(contour)
            # 绘制最大外接矩阵
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        #展示照片
        cv2.imshow('img',frame)
    #每一毫秒一张照片
    k = cv2.waitKey(1)
    if k == ord('q'):
        break

video.release()
cv2.destroyAllWindows()

效果图

5 设置坐标参考系，计算车辆个数

对于所有轮廓，当长度和宽度大于一定大小才是车子。然每个车子抽象为一个中心，设置参考坐标线，通过这条线（车子的坐标跟参考线的坐标距离足够小）计数加1

import cv2




# 统计车的数量
carno = 0
# 存放有效车辆的数组
cars = []

#打开默认摄像头
video  = cv2.VideoCapture('video.mp4')


#背景和前景的使用,生成背景对象
mog = cv2.createBackgroundSubtractorMOG2()

#生成形态学内核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))


while True:
    #读取一帧照片
    ret,frame = video.read()
    if ret==True:
        #对照片进行灰度化处理：
        img = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        #对照片使用高斯降噪：
        img = cv2.GaussianBlur(img,(5,5,),1)
        #将这一帧照片应用背景减除
        img = mog.apply(frame)
        #进行腐蚀操作：
        img = cv2.erode(img,kernel,iterations=2)
        #进行膨胀操作：
        img = cv2.dilate(img,kernel)
        #由于膨胀操作会放大车子上的车牌等车内部分
        #对目标图片内部进行闭运算
        img = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

        # 查找轮廓，返回轮廓和阶级
        contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        # 绘制一条检测线
        cv2.line(frame, (10, 600), (1200, 600), (0, 255, 0), 2)


        #对所有车子进行处理，也就是处理所有的轮廓坐标
        for contour in contours:
            # 最大外接矩阵的生成
            x, y, w, h = cv2.boundingRect(contour)

            # 对车辆的外接矩阵的宽高进行判断，以验证是否为有效的车辆
            if not(w >= 50 and h >= 50):
                continue
            # 绘制最大外接矩阵
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

            #找到中心点的坐标
            center_x,center_y = int(w/2)+x,int(h/2)+y
            #为了避免一个画面车子过多无法统计完，加入数组，一个一个的判断
            cars.append((center_x,center_y))
            #对每一个车子的坐标情况进行判断：
            for x,y in cars:#小于10像素极为识别有一辆车
                if ((y > 600 - 10) and (y < 600 + 10)):
                    carno += 1
                    cars.remove((x, y))


            #显示车辆个数
            cv2.putText(frame, "Vehicle Count:" + str(carno), (600, 50), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 255, 0), 3)
            #展示照片
            cv2.imshow('img',frame)
    #每一毫秒一张照片
    k = cv2.waitKey(1)
    if k == ord('q'):
        break

video.release()
cv2.destroyAllWindows()

效果图

6 缺点与改进

缺点

由于在统计过程中对于运动轨迹的车子识别存在一定的误差，对车子的轮廓处理不够完善，当车子的流量过大时会检测失败。同时对于车辆的计数如果车子跟坐标轴距离过大，也无法识别这个车子是否通过。

改进

使用深度学习中的卷积神经网络，对每个运动的物体进行追踪，当算法模型可以识别为车子时，即可进行计数，从而提高识别率

实时即未来，车联网项目之phoenix on hbase 即席查询

文章目录

Phoenix的介绍和客户端命令

  • Phoenix的概念

  • Phoenix on HBase 和 Hive on HDFS 的区别

  • Phoenix 客户端命令操作及说明

  • 查看表操作

① TABLE_SCHEMA

② 对应 HBase 的 namespace
  • 创建表的操作
  • 新增数据
  • 查询操作
  • 更新操作
  • 删除操作

构建HBase的二级索引

  • 为什么需要构建二级索引

  • 索引的类型

    ①

    概念：

    创建：

    查看：

    删除：

    ②

    概念：

    创建：

    查看：

    删除：

    ③

    概念：

    创建：

    查看：

    删除：

    ④

    概念：

    创建：

    查看：

    删除：

  • 本地索引和全局索引的比较

  • 索引的优化

原始数据itcast_src构建二级索引

  • 创建 HBase 表对应的 phoenix 表

  • 创建 HBase 表对应的 phoenix 视图

phoenix 使用场景

车辆常用字段明细数据 ETL

  • 常用字段
  • 创建 HBase 车辆指标即席查询表

  • 在 ETL 主任务中添加常用字段落地逻辑

    • srcDataStream.addSink(new VehicleDetailSinkOptimizer(“itcastsrc_vehicle_detail”));

    • 编写核心业务逻辑 实现 RichSinkFunction

    private Put setDataSourcePut(ItcastDataObj itcastDataObj) 
        //确定rowkey
        String rowKey = itcastDataObj.getVin() + StringUtil.reverse(itcastDataObj.getTerminalTimeStamp().toString());
        Put put = new Put(Bytes.toBytes(rowKey));
        //设置需要写入的列有那些
        //这两个列一定不为空，如果为空就不是正常数据了
        put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("vin"), Bytes.toBytes(itcastDataObj.getVin()));
        put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("terminalTime"), Bytes.toBytes(itcastDataObj.getTerminalTime()));

        //电量百分比(currentElectricity)、当前电量(remainPower)、百公里油耗(fuelConsumption100km)、
        // 发动机速度(engineSpeed)、车辆速度(vehicleSpeed)
        if(itcastDataObj.getCurrentElectricity() != -999999D)
            put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("currentElectricity"), Bytes.toBytes(itcastDataObj.getCurrentElectricity()));
        
        if(itcastDataObj.getRemainPower() != -999999D)
            put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("remainPower"), Bytes.toBytes(itcastDataObj.getRemainPower()));
        
        if(StringUtils.isNotEmpty(itcastDataObj.getFuelConsumption100km()) )
            put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("fuelConsumption100km"), Bytes.toBytes(itcastDataObj.getFuelConsumption100km()));
        
        if(StringUtils.isNotEmpty(itcastDataObj.getEngineSpeed()) )
            put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("engineSpeed"), Bytes.toBytes(itcastDataObj.getEngineSpeed()));
        
        if(itcastDataObj.getVehicleSpeed() != -999999D)
            put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("vehicleSpeed"), Bytes.toBytes(itcastDataObj.getVehicleSpeed()));
        
        put.addColumn(Bytes.toBytes(cf), Bytes.toBytes("processTime"), Bytes.toBytes(DateUtil.getCurrentDateTime()));

        //返回put对象
        return  put;

  • 在 phoenix 中创建车联指标即席查询明细视图

车辆明细数据统计

车辆总数统计

  • 统计车辆明细总数
  • 统计每天在线的车辆总数

车辆电量统计

  • 统计车辆电量百分比
  • 统计当前电量

车辆油耗统计

  • 统计车辆百公里油耗

车辆速度统计

  • 统计车辆发动机速度
  • 统计车辆速度vehicleSpeed，求最大、最小、平均车速

车辆数据统计意义分析

Zeppelin简介

  • zeppelin应用场景
  • zeppelin安装介绍

zeppelin UI介绍

zeppelin整合mysql

zeppelin整合hive

车辆电量、速度数据统计报表

  • 车辆电量统计报表
  • 车辆速度统计报表

问题

  • 如何删除topic并初始化数据

    步骤：
1.检查 server.properties 配置文件中 delete.topic.enable=true，三台都要设置重启集群。
2.删除kafka中topic vehicledata
[root@node01 kafka]# bin/kafka-topics.sh --zookeeper node01:2181,node02:2181,node03:2181 --delete --topic vehicledata
# 使用 kafka-tools 客户端删除topic
3.打开 zkCli.sh 删除三组配置
	rmr /brokers/topics/vehicledata
	rmr /config/topics/vehicledata
	rmr /admin/delete_topics/vehicledata
4.如果kafka集群没有关闭，关闭kafka集群
5.清空log.dirs=/export/data/kafka/kafka-logs目录就是kafka集群的数据目录
rm -rf /export/data/kafka/kafka-logs/*
6.重启kafka集群
7.创建topic vehicledata
[root@node01 kafka]# bin/kafka-topics.sh --zookeeper node01:2181 --create --topic vehicledata --partitions 3 --replication-factor 2

以上是关于车辆统计项目(附原码)的主要内容，如果未能解决你的问题，请参考以下文章

通过分析二进制前景图像的白色像素来计算车辆计数所需的想法

计算机视觉OpenCV 4高级编程与项目实战（Python版）：图像像素统计

OpenCV车辆识别 C++ OpenCV 原理介绍 + 案例实现

javacpp-opencv图像处理系列：国内车辆牌照检测识别系统（万份测试车牌识别准确率99.7%以上，单次平均耗时39ms）

OpenCV+dlib实现疲劳检测

OpenCV和SVM分类器在自动驾驶中的车辆检测