【OpenCV学习】（九）目标识别之车辆检测与计数

您所在的位置：网站首页 › 输入车辆 › 【OpenCV学习】（九）目标识别之车辆检测与计数

【OpenCV学习】（九）目标识别之车辆检测与计数

2023-09-04 13:17| 来源: 网络整理| 查看: 265

【OpenCV学习】（九）目标识别之车辆检测及计数背景

本篇将具体介绍一个实际应用项目——车辆检测及计数，在交通安全中是很重要的一项计数；当然，本次完全采用OpenCV进行实现，和目前落地的采用深度学习的算法并不相同，但原理是一致的；本篇将从基础开始介绍，一步步完成车辆检测计数的项目；

一、图像轮廓

本质：具有相同颜色或强度的连续点的曲线；

作用：

1、可用于图形分析；

2、应用于物体的识别与检测；

注意点：

1、为了检测的准确性，需要先对图像进行二值化或Canny操作；

2、画轮廓的时候回修改输入的图像，需要先深拷贝原图；

轮廓查找的函数原型：

findContours（img，mode，ApproximationMode…）

mode

RETR_EXTERNAL=0，表示只检测外轮廓；

RETR_LIST=1，检测的轮廓不建立等级关系；（常用）

RETR_CCOMP=2，每层最多两级；

RETR_TREE=3，按树形结构存储轮廓，从右到左，从大到小；（常用）

ApproximationMode

CHAIN_APPROX_BOBE：保存轮廓上所有的点；

CHAIN_APPROX_SIMPLE：只保存轮廓的角点；

代码实战：

img = cv2.imread('./contours1.jpeg') # 转变成单通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 轮廓查找 contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

contours输出结果：

(array([[[ 0, 0]], [[ 0, 435]], [[345, 435]], [[345, 0]]], dtype=int32),)

可以看出，我们找最外层轮廓，找出了一个矩形轮廓的四个点；

当然，我们不需要通过画形状来绘制轮廓，可以通过一个内置函数来绘制轮廓；

绘制轮廓函数原型：

drawContours（img，contours，contoursIdx，color，thickness，…）

contours：表示保存轮廓的数组；contoursIdx：表示绘制第几个轮廓，-1表示所有轮廓；

代码案例：

img = cv2.imread('./contours1.jpeg') img2 = img.copy() # 转变成单通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 轮廓查找 contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cv2.drawContours(img, contours, -1, (0, 0, 255), 1) cv2.drawContours(img2, contours, -1, (0, 0, 255), -1) cv2.imshow('org', img) cv2.imshow('org2', img2) cv2.waitKey(0)

在这里插入图片描述

如上图所示，左图是线宽设置为1，右图为线宽设置为-1，也就是填充的效果；

当然，OpenCV还提供了计算轮廓周长和面积的方法；

轮廓面积函数原型：

contourArea（contour）

轮廓周长函数原型：

arcLength（curve，closed）

curve：表示轮廓；closed：是否是闭合的轮廓；

上述两个函数比较简单，在这就不做代码演示了；

二、多边形逼近与凸包

多边形逼近函数原型：

approxPolyDP（curve，epsilon，closed）

epslion：精度；

凸包的函数原型：

convexHull（points，clockwise，…）

points：轮廓；clockwise：绘制方向，顺时针或逆时针；（不重要）

首先我们看一下基于轮廓查找输出的轮廓形状：

在这里插入图片描述

可以看出轮廓点十分密集，接下来看一下基于多变形逼近和凸包的效果：

代码案例：

img = cv2.imread('./hand.png') img2 = img.copy() # 转变成单通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 轮廓查找 contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # cv2.drawContours(img, contours, -1, (0, 0, 255), 1) e = 20 approx = cv2.approxPolyDP(contours[0], e, True) # 多边形逼近 approx = (approx, ) cv2.drawContours(img, approx, 0, (0, 0, 255), 3) hull = cv2.convexHull(contours[0]) hull = (hull, ) cv2.drawContours(img2, hull, 0, (0, 0, 255), 3) # 凸包 cv2.imshow('org', img) cv2.imshow('org2', img2) cv2.waitKey(0)

在这里插入图片描述

这里需要注意一点，绘制轮廓的函数对于轮廓的传入需要为元组，需要将得到的数组放到一个元组中！

当然，多边形逼近这里设置的精度为20，所以比较粗糙，设置小一些可以达到更好的效果；

三、外接矩形

外接矩阵分为最大外接矩阵和最小外接矩阵，如下图所示：

在这里插入图片描述

最小外接矩阵还有一个功能，就是计算旋转角度，从上图的绿框应该可以很明显看出；

最小外接矩阵函数原型：

minAreaRect（points）

返回值：起始点（x，y）、宽高（w，h）、角度（angle）

最大外接矩形函数原型：

boundingRect（array）

返回值：起始点（x，y）、宽高（w，h）

代码案例：

img = cv2.imread('./hello.jpeg') img2 = img.copy() # 转变成单通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 轮廓查找 contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 获取最小外接矩形 r = cv2.minAreaRect(contours[1]) box = cv2.boxPoints(r) # 提取其中的点 box = np.int0(box) # 将浮点型转换为整型 cv2.drawContours(img, (box, ), 0, (0, 0, 255), 2) # 获取最大外接矩形 x, y, w, h = cv2.boundingRect(contours[1]) cv2.rectangle(img2, (x, y), (x+w, y+h), (0, 0, 255), 2) cv2.imshow('org', img) cv2.imshow('org2', img2) cv2.waitKey(0)

在这里插入图片描述

四、车辆统计实战

涉及的知识点：

窗口展示图像、视频的加载基本图形的绘制基本图像运算与处理形态学轮廓查找

实现流程：

加载视频 —— 通过形态学识别车辆 —— 对车辆进行统计 —— 显示统计信息

1、加载视频

这里就是一个简单加载视频的实现：

cap = cv2.VideoCapture('video.mp4') while True: ret, frame = cap.read() if(ret == True): cv2.imshow('video', frame) key = cv2.waitKey(1) if(key == 27): # Esc退出 break cap.release() cv2.destroyAllWindows() 2、去除背景

函数原型：

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；

代码实现：

cap = cv2.VideoCapture('video.mp4') bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG() while True: ret, frame = cap.read() if(ret == True): # 灰度处理 cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯去噪 blur = cv2.GaussianBlur(frame, (3, 3), 5) mask = bgsubmog.apply(blur) cv2.imshow('video', mask) key = cv2.waitKey(1) if(key == 27): # Esc退出 break cap.release() cv2.destroyAllWindows()

在这里插入图片描述

这里尽量采用旧版的MOG函数，新版的MOG2函数比较精细，会将树叶等信息输出，去除效果没那么好；

3、形态处理

这里主要是为了处理一些小的噪声点以及目标中的黑色块；

代码实现：

cap = cv2.VideoCapture('video.mp4') bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG() # 形态学kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) while True: ret, frame = cap.read() if(ret == True): # 灰度处理 cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯去噪 blur = cv2.GaussianBlur(frame, (3, 3), 5) mask = bgsubmog.apply(blur) # 腐蚀 erode = cv2.erode(mask, kernel) # 膨胀 dilate = cv2.dilate(erode, kernel, 3) # 闭操作 close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel) close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel) contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE,) for (i, c) in enumerate(contours): (x, y, w, h) = cv2.boundingRect(c) cv2.rectangle(frame, (x, y), (x+w, y+h), (0,0,255), 2) cv2.imshow('video', frame) key = cv2.waitKey(1) if(key == 27): # Esc退出 break cap.release() cv2.destroyAllWindows()

在这里插入图片描述

从图中效果来看，还是会有很多小的检测框，接下来就是处理重合检测框以及去掉一些多余的检测框，类似于NMS去重，当然原理还不太一样；

4、车辆统计

首先需要过滤一些小的矩形，已经检测框的长和宽，设定一些阈值即可；

代码实现：

cap = cv2.VideoCapture('video.mp4') bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG() # 保存车辆中心点信息 cars = [] # 统计车的数量 car_n = 0 # 形态学kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) while True: ret, frame = cap.read() if(ret == True): # 灰度处理 cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯去噪 blur = cv2.GaussianBlur(frame, (3, 3), 5) mask = bgsubmog.apply(blur) # 腐蚀 erode = cv2.erode(mask, kernel) # 膨胀 dilate = cv2.dilate(erode, kernel, 3) # 闭操作 close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel) close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel) contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE,) # 画一条线 cv2.line(frame, (10, 550), (1200, 550), (0, 255, 255), 3) for (i, c) in enumerate(contours): (x, y, w, h) = cv2.boundingRect(c) # 过滤小的检测框 isshow = (w >= 90) and (h >= 90) if(not isshow): continue # 保存中心点信息 cv2.rectangle(frame, (x, y), (x+w, y+h), (0,0,255), 2) centre_p = (x + int(w/2), y + int(h/2)) cars.append(centre_p) cv2.circle(frame, (centre_p), 5, (0,0,255), -1) for (x, y) in cars: if(593

【本文地址】

公司简介

联系我们