OpenCV：09车辆统计项目

效果图：

---

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

---

大体流程

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

---

知识补充

背景减除

背景减除（Background Subtraction） 是许多基于计算机视觉的任务中主要的预处理步骤。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，情况会变得更加复杂，为此引入背景减除算法。

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

• BackgroundSubtractorMOG
  • 这是一个以混合高斯模型为基础的前景/背景分割算法
  • 它使用K(K = 3 或 5)个高斯分布混合对背景图像进行建模。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.createBackgroundSubtractorMOG2()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。将它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膜了
  • 移动的物体会被标记为白色，背景会被标记为黑色的

---

具体流程

视频加载

关键API：打开摄像头cap = cv2.VideoCapture('./video.mp4')；读取数据 ret,frame = cap.read()

# 先进行视频加载 ——> 将视频中的每一帧加载进来
import cv2
import numpy as np

# cap = cv2.VideoCapture(0) # 0表示调用摄像头
cap = cv2.VideoCapture('./video.mp4')

# 循环读取视频帧
while True :
    ret,frame = cap.read()
    
    #如果成功读取到一帧数据
    if ret == True:
        cv2.imshow('video',frame) # 展示这一帧数据到窗口
        
    # 退出
    key = cv2.waitKey(1) # 每隔1ms接受用户按下的按键
    # 用户按‘ESC’即可退出
    if key == 27:
        break
        
# 最后别忘了释放资源
cap.release()
cv2.destroyAllWindows()

---

去除背景

OpenCV会把不会动的东西（蓝天白云…）分辨出背景；把会动的东西（车辆、行人…）叫做前景

由于我们要检测会动的车辆（前景），所以要把不会动的背景去除掉，用到了背景减除（Background Subtraction） ——>效果是： 动的东西（前景）会变成白色 ；不动的东西（背景）会变成黑色

关键API：cv2.createBackgroundSubtractorMOG2() # 直接用 不用写参数

# 去背景 ——> opencv把不会动的东西（蓝天白云...）叫做背景，把会动的（车辆，行人...）叫做前景
# 示例

import cv2
import numpy as np

# cap = cv2.VideoCapture(0) # 0表示调用摄像头
cap = cv2.VideoCapture('./video.mp4') # 调用视频


# 创建一个MOG对象
mog = cv2.createBackgroundSubtractorMOG2() # 直接用 不用写参数

while True:
    ret,frame = cap.read()
    
    if ret == True :
        fgmask = mog.apply(frame) # 将前景掩码 "fgmask" 运用到这一帧图像上
        cv2.imshow('video',fgmask) # 显示识别到的前景fgmask(不是写frame！)
           
    # 退出
    key = cv2.waitKey(100) # 每隔1ms接受用户按下的按键
    # 用户按‘ESC’即可退出
    if key == 27:
        break
        
# 最后别忘了释放资源
cap.release()
cv2.destroyAllWindows()

# 结果：动的东西（前景）会变成白色 ；不动的东西（背景）会变成黑色

结果：

---

形态学识别车辆

从去背景例程中，我们可以发现有很多白点（噪声），因此我们需要降噪

我们可以发现噪声比较均匀，不适合用中值滤波去除，而是用高斯滤波

关键API：cv2.GaussianBlur(gray,(7,7),5)

降噪：

# 从去背景例程中，我们可以发现有很多白点（噪声），因此我们需要降噪

import cv2
import numpy as np

# cap = cv2.VideoCapture(0) # 0表示调用摄像头
# cap = cv2.VideoCapture('./video.mp4') # 调用视频
cap = cv2.VideoCapture('./car.mp4') # 调用视频


# 创建一个MOG对象
mog = cv2.createBackgroundSubtractorMOG2() # 直接用 不用写参数

# 使用opencv获取卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

# 取阈值，当图形轮廓小于阈值时排除掉（认为它不是车） ——> 只有长宽均大于阈值，才认为是一部车
min_w = 90
min_h = 90


while True:
    ret,frame = cap.read()
    
    if ret == True :
        # 把原始帧进行灰度化，然后去噪
        gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        # 去噪（我们可以发现噪声比较均匀，不适合用中值滤波去除，而是用高斯滤波）
        blur = cv2.GaussianBlur(gray,(7,7),5)
#         blur = cv2.blur(gray,(3,3))
        
       
        # 去除背景
        fgmask = mog.apply(blur) # 将前景掩码 "fgmask" 运用到这一帧图像上
        
        # 腐蚀做进一步去噪
        erode = cv2.erode