admin 管理员组

文章数量: 887169

11

项目要点

  • 读取文件: cap = cv2.VideoCapture('./video.mp4')
  • 读取视频帧:  ret, frame = cap.read()   # 第一个为状态值, 读到帧为True, 第二个值为视频帧
  • 灰度化处理:  gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  • 高斯滤波, 去噪:  blur = cv2.GaussianBlur(gray, (5, 5), 5)
  • 腐蚀操作:  erode = cv2.erode(mask, kernel)
  • 膨胀操作:  dialte = cv2.dilate(erode, kernel, iterations = 2)
  • 闭运算: close = cv2.morphologyEx(dialte, cv2.MORPH_CLOSE, kernel)  # 消除内部方块
  • 间隔时间设置: key = cv2.waitKey(1)    # 单位是毫秒
  • 创建背景减除视频:  mog = cv2.createBackgroundSubtractorKNN()
  • 显示背景减除视频:  fgmask = mog.apply(frame)   # 判断哪些是前景和背景
  • OpenCV借助pillow来实现绘制中文:  from PIL import ImageFont, ImageDraw, Image
  • 画检测线:  cv2.line(frame, (10, line_high), (1270, line_high), (250, 100,20), 3)
  • 画过线车辆中心点:  cv2.circle(frame, (cpoint), 5, (0, 0, 255), -1)   # 画圆
  • 文字显示:  cv2.putText()
    cv2.putText(frame, 'Vehicle Count:' + str(carno), (500, 60),cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 5)
  • contours, h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)  查找所有轮廓和层级.
  • 根据检测轮廓画出所有移动目标的外接矩形: cv2.rectangle(frame, (int(x), int(y)), (int(x + w), int(y + h)), (0, 0, 255), 2)   # 画外接矩形时注意将数据转换为整数.
  • BackgroundSubtractorMOG  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。
    • 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:cv2.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。将他们全部设置为默认值。然后在整个视频中我们是需要使用backgroundsubtractor.apply() 就可以得到前景的掩模了.

    • 移动的物体会被标记为白色,背景会被标记为黑色的

  • 项目存在的问题:  该检测方式与车辆移速有关,如果车速过快会漏掉,车速过慢会重复.车辆较大时也容易造成重复计数 .


移动车辆识别统计项目

1 涉及到的内容

  • 窗口的展示

  • 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

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

3 测试背景减除功能

# 加载视频
import cv2
import numpy as npcap = cv2.VideoCapture('./video.mp4')
# 循环读取视频帧
while True:ret, frame = cap.read()if ret == True:cv2.imshow('video', frame)key = cv2.waitKey(1)# 用户按esc退出if key == 27:break# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()

4 去除背景

import cv2
import numpy as np
cap = cv2.VideoCapture('./video.mp4')
mog = cv2.createBackgroundSubtractorKNN()  # 创建mog对象while True:ret, frame = cap.read()if ret == True:fgmask = mog.apply(frame)  # 判断哪些是前景和背景cv2.imshow('video', fgmask) key = cv2.waitKey(1)   # 时间记录为1msif key == 27:   # 用户按esc 进行退出break# 记得释放资源
cap.release()  # 注意该位置为 cap
cv2.destroyAllWindows()

5 形态学识别车辆 (项目实操)

# 加载视频
import cv2
import numpy as np
from PIL import ImageFont, ImageDraw, Imagecap = cv2.VideoCapture('./video.mp4')
# 创建mog对象
mog = cv2.createBackgroundSubtractorKNN()# 统计通过车数量
cars = []
carno = 0# 计算外接矩形的中心点
def center(x, y , w, j):x1 = int(w / 2)y1 = int(h/2)cx = int(x) + x1cy = int(y) + y1return cx, cywhile True:ret, frame = cap.read()if ret == True:# 将原始帧进行灰度化处理, 然后去噪gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 去噪, 高斯滤波blur = cv2.GaussianBlur(gray, (5, 5), 5)mask = mog.apply(blur)   # 判断哪些是前景和背景# 腐蚀操作kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))erode = cv2.erode(mask, kernel)dialte = cv2.dilate(erode, kernel, iterations = 2)  # 膨胀# 闭运算,消除内部的小方块close = cv2.morphologyEx(dialte, cv2.MORPH_CLOSE, kernel)# cv2.imshow('close', close)# 查找所有轮廓contours, h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 画出检测线   # 颜色序列: BGRline_high = 600cv2.line(frame, (10, line_high), (1270, line_high), (250, 100,20), 3) # 画出所有轮廓for contour in contours:# 最大外接矩形(x, y, w, h) = cv2.boundingRect(contour)min_w, min_h = 90, 90   # 最小外接矩形大小设置is_valid = (w >= min_w) & (h >= min_h)  # 最小值设置需要多次调整后得知if not is_valid:continue  # 跳出进入下一个循环# 能进入该步骤为满足要求的矩形# 过滤小框,通过宽高大小过滤小矩形# 要求都是整数cv2.rectangle(frame, (int(x), int(y)), (int(x + w), int(y + h)),(0, 0, 255), 2)# 把车抽象为一个点即外接矩形的中心点# 要求是整数cpoint = center(x, y ,w, h)cars.append(cpoint)cv2.circle(frame, (cpoint), 4, (0, 0, 255), -1)# 判断是否过检测线offset = 7   # 偏移量,与车辆移速有关,如果车速过快会漏掉,车速过慢会重复for (x, y) in cars:if y > (line_high - offset) and y < (line_high + offset):# 落入有效区间, 计数+1carno += 1cars.remove((x, y))print(carno)# 英文显示通过车辆数# cv2.putText(frame, 'Vehicle Count:' + str(carno), (500, 60), #             cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 5)# 中文显示font_path = 'simhei.ttf'font = ImageFont.truetype(font_path, 36)img_pil = Image.fromarray(frame)draw = ImageDraw.Draw(img_pil)row, col, channel = frame.shapedraw.text((col- 720, row- 650), '通过车辆数:'+str(carno), font=font,fill=(0, 0, 255, 255))frame = np.array(img_pil)cv2.imshow('img_logo', frame)key = cv2.waitKey(1)   # 时间记录为1ms# 用户按esc 进行退出if key == 27:break# 记得释放资源
cap.release()   # 注意该位置为 cap
cv2.destroyAllWindows()

本文标签: 11