opencv_车辆统计项目

加载视频

# 加载视频
import cv2
import numpy as np

cap = cv2.VideoCapture('./video.mp4')

# 循环读取视频帧
while True:
    
    # 返回标识与画面
    ret, frame = cap.read()
    if ret == True:
        cv2.imshow('video', frame)
    
    # 每33毫秒，读取一个画面
    key = cv2.waitKey(1000 // 30)
    
    # 用户 按q 退出
    if key == ord('q'):
        break
        
# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()
cv2.waitKey(1)

-1

去除背景示例

知识补充 – 背景减除

背景减除算法(Background Subtraction)通过这一方法我们能够从视频中分离出运动的物体（前景），去除静止物体（背景）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.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

import cv2
import numpy as np

# 开启摄像头
cap = cv2.VideoCapture(0)

# 创建mog对象
mog = cv2.createBackgroundSubtractorMOG2()

while True:
    # 读取画面
    ret, frame = cap.read()
    
    if ret == True:
        # 去除背景
        fgmask = mog.apply(frame)
        
        # 展示处理之后的画面
        cv2.imshow('video', fgmask)
        
    # 画面为30帧
    key = cv2.waitKey(1000 // 30)
    
    # 用户 按q 退出
    if key == ord('q'):
        break
        
# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()
cv2.waitKey(1)

-1

形态学识别车辆

import cv2
import numpy as np

# 加载视频
cap = cv2.VideoCapture('./video.mp4')

# 创建mog对象
mog = cv2.createBackgroundSubtractorMOG2()

# 创建矩形核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 设置最小的长和宽 -- 用于判断是车辆经过
min_w = 90
min_h = 90

line_high = 600
# 偏移量
offset = 15

cars = []
carno = 0 # 车的数量

# 计算外接矩形的中心点
def center(x, y, w, h):
    x1 = int(w / 2)
    y1 = int(h / 2)
    cx = int(x) + x1
    cy = int(y) + y1
    return cx, cy


while True:
    
    # 读取画面
    ret, frame = cap.read()
    if ret == True:
        # 把原始帧进行灰度化
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        
        # 去噪 -- 高斯滤波
        blur = cv2.GaussianBlur(gray, (3, 3), 5)
        
        # 去除背景
        mask = mog.apply(blur)
        
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        
        # 膨胀, 把图像还原回来
        dialte = cv2.dilate(erode, kernel, iterations=2)
        
        # 消除内部的小块
        # 闭运算：膨胀，再腐蚀
        close = cv2.morphologyEx(dialte, cv2.MORPH_CLOSE, kernel)
        
        # 查找轮廓，返回轮廓和层级
        contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
        
        # 画出检测线
        cv2.line(frame, (10, line_high), (1200, line_high), (255, 255, 0), 3)
        
        # 画出所有检测出来的轮廓
        for contour in contours:
            # 最大外接矩形
            (x, y, w, h) = cv2.boundingRect(contour)
            
            # 通过外接矩形的宽高大小来过滤掉小矩形.
            is_valid = (w >= min_w) and (h >= min_h)
            if not is_valid:
                continue
             
            # 能走到这里来的都是符合要求的矩形, 即正常的车.
            # 框出车辆，要求坐标点都是整数
            cv2.rectangle(frame, (int(x), int(y)), (int(x + w), int(y + h)), (0, 0, 255), 2)
            
            # 把车抽象为一点, 即外接矩形的中心点
            # 要通过外接矩形计算矩形的中心点.
            cpoint = center(x, y, w, h)
                       
            # 将中心点加粗 -- 变成实心圆
            cv2.circle(frame, (cpoint), 5, (0, 0, 255), -1)
            
            # 判断汽车是否过检测线
            if y > (line_high - offset) and y < (line_high + offset):
                # 落入了有效区间
                # 计数加1
                carno += 1
        
        cv2.putText(frame, 'Vehicle Count:' + str(carno), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 255), 5)    
        cv2.imshow('frame', frame)
        
    key = cv2.waitKey(1000 // 20)
    # 用户 按q 退出
    if key == ord('q'):
        break
        
# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()
cv2.waitKey(1)

-1