11- 移动车辆识别统计项目 (OpenCV操作指南) (项目十一) *
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
加载视频
通过形态学识别车辆
对车辆进行统计
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()
11- 移动车辆识别统计项目 (OpenCV操作指南) (项目十一) *相关推荐
- 16- 图片转文字识别实操 (OpenCV系列) (项目十六)
项目要点 读取图片: image = cv2.imread('./images/page.jpg') 调整图片尺寸: resized = cv2.resize(image, (width, hei ...
- Python OpenCV高速公路道路汽车车辆摄像头视频侦测检测识别统计数量
Python OpenCV高速公路道路汽车车辆侦测检测识别统计数量 如需安装运行环境或远程调试,可加QQ905733049由专业技术人员远程协助! 运行结果如下: 运行主要代码如下: import c ...
- OpenCV(项目)车牌识别4 -- 总结篇
目录 一.效果 1.成功案例 2.经典失败案例(单字符识别成类似字符) 3.其他失败案例 二.总结 三.车牌识别总代码 一.效果 1.成功案例 2.经典失败案例(单字符识别成类似字符) 3.其他失败案 ...
- 案例-使用python实现基于opencv的车辆识别
写在开头,接触opencv也有很长一段时间了,中间还接触了halcon.但都是基于C++实现,发现如果有什么idea,还是使用python可以快速实现.基于C++版本的后期会有更新. 首先,这个案例是 ...
- OpenCV(项目)车牌识别1 -- 车牌提取(形态学)
目录 一.形态学车牌提取(简单:单情景) 1.读取图片,转灰度图 2.提取轮廓(Sobel算子提取y方向边缘) 3.自适应二值化 4.闭运算处理,把图像闭合.揉团,使图像区域化 5.腐蚀/膨胀去噪得到 ...
- python车辆识别硬件_Opencv python之车辆识别项目
图片车辆识别 根据文章搭建好环境后开始进行做项目linkimport sys import cv2 from PyQt5.QtGui import * from PyQt5.QtWidgets imp ...
- opencv图像处理—项目实战:答题卡识别判卷
哔站唐宇迪opencv课程--项目实战:答题卡识别判卷 [计算机视觉-OpenCV]唐宇迪博士教会了我大学四年没学会的OpenCV OpenCV计算机视觉实战全套课程(附带课程课件资料+课件笔记+源码 ...
- [opencv完整项目详解] 传统图像算法解决路标的检测和识别(改进升级版)
之前路标匹配[opencv完整项目详解] 传统图像算法解决路标的检测和识别 的一个改进版. 之前路标匹配存在的一个问题: 所有路标与模板的相似度都处于较高状态(基本都在50%以上),其主要原因就是虽然 ...
- OpenCV(项目)车牌识别2 -- 车牌字符分割(直方图)
目录 试错 1.没有膨胀/膨胀过小:无法连接上单个字符. 2.膨胀过大:错误连接相邻字符. 一.直方图处理原理 1.横向分割 2.纵向分割 过程: 一.中值滤波.灰度化 二.二值化(统一黑底白字) 三 ...
最新文章
- vs如何设置对话框显示在最前面_【另存为】对话框的使用
- c语言求两者之间最小数,C语言课件第2章基本数据类型.ppt
- HIDL示例-JAVA服务创建-Client验证-Android10.0 HwBinder通信原理(四)
- bash特性及bash脚本编程初步
- 谁拿了最多奖学金(洛谷-P1051)
- kdump需要开启吗_iPhone全新黑科技!用嘴玩手机!你会玩吗?
- Project Euler Problem 104 Pandigital Fibonacci ends
- 访问Internet 需要哪些步骤
- JUC之volatile
- 计算机病毒是不会破坏计算机软件的,计算机病毒是不会破坏计算机硬件的。
- 《FPGA设计实战演练》学习笔记(二)FPGA核心板电路设计
- HTML的三种页面布局方式
- 以5‰的概率计算一个网络准确率达到99.9%的时间和迭代次数---实例三分类mnist 3,4,5
- 为何苹果赚取智能手机市场大部分利润?
- 基于AD9854个和MSP430的波形发生器
- 基于qiankun搭建ng-alain15微前端项目示例实践
- PS在园林计算机辅助设计中有哪些应用,计算机辅助设计在园林设计中的运用
- gvfsd-trash占用内存高时,清空回收站
- zsh与oh-my-zsh ← 阳志平的个人网站::技术 zsh与oh-my-zsh ← 阳志平的个人网站::技术...
- java compare 和equals,java-在此示例中compareTo和equals方法如何工作?