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 ...

11- 移动车辆识别统计项目 (OpenCV操作指南) (项目十一) *

项目要点

移动车辆识别统计项目

1 涉及到的内容

2 整体流程

3 测试背景减除功能

4 去除背景

5 形态学识别车辆 (项目实操)

11- 移动车辆识别统计项目 (OpenCV操作指南) (项目十一) *相关推荐

最新文章

热门文章