先看效果
视频的效果是框选出被检测的车辆和显示经过检测线的车辆的数量
思路:
一、图像的预处理。使用背景剪除(createBackgroundSubtractorKNN或createBackgroundSubtractorMOG2)将车辆与背景分离,对车辆进行检测。通过高斯滤波、腐蚀膨胀等操作消除噪点。
二、轮廓检测、经过上面的处理后图像上只剩下车辆和难以消除的噪点,此时使用findContours寻找轮廓,经过筛选排除不是汽车的轮廓,随后框出汽车的轮廓。
三、车流检测。在视频中画出一条检测线,并基于检测线设定一个检测范围。然后获取每个车辆轮廓的中心点。当某个车辆轮廓的中心点与检测线范围重合时,车辆计数+1,并将该车辆remove掉,避免再次检测。最后在屏幕上显示车流的实时计数。
最后贴上完整代码
import cv2
import numpy as np
cap=cv2.VideoCapture('')#这里填上视频路径
KNN=cv2.createBackgroundSubtractorKNN()
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (8,8))
cars=0
car=[]
while True:
ret, frame = cap.read()
if(ret == True):
cvtc=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#灰度化
blur=cv2.GaussianBlur(cvtc,(3,3),8);#高斯模糊
mask=KNN.apply(blur)#背景剪除
cv2.imshow('KNN',mask)
ero=cv2.erode(mask,kernel,2)
ero2=cv2.erode(ero,kernel)#腐蚀
dil=cv2.dilate(ero2,kernel2,2)
dil2=cv2.dilate(dil,kernel2)#膨胀
cv2.imshow('5',dil2)
contour,hierarchy=cv2.findContours(dil2, 0, cv2.CHAIN_APPROX_SIMPLE)#寻找轮廓
min_w=40
min_h=40
for(i,c) in enumerate(contour):
(x,y,w,h) = cv2.boundingRect(c)#计算轮廓最小外接矩形并储存参数
if(w<min_w or h<min_h):
continue
cv2.rectangle(frame, (x, y), (x+w, y+h), (255,0,0), 1)#框出轮廓
#计算矩形中心
x1 = int(w/2)
y1 = int(h/2)
cx = x + x1
cy = y + y1
cpoint = (cx,cy)
car.append(cpoint)
cv2.circle(frame, (cpoint), 2, (0,0,255), -1)#画出轮廓中心
for (x, y) in car:#判断轮廓中点是否在检测线内,若不在,则删除该坐标,若在,则计数加一
if( (y > 550 - 6) and (y < 550 + 6 ) ):
cars +=1
car.remove((x , y ))
print(cars)
cv2.putText(frame, "Car:" + str(cars), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (255,0,0), 2)#在屏幕上显示经过的车的数量
cv2.line(frame, (0, 550), (2000, 550), (0, 255, 0), 2)#画出检测线
cv2.imshow('video', frame)
key = cv2.waitKey(1)
if(key == 27):
break
cap.release()
cv2.destroyAllWindows()