opencv--python车辆统计项目

一、项目介绍

        能够识别所捕获视频内车辆的位置并且计算通过车辆的数量，实现功能与内容包括：窗口的展示，图像/视频的加载；基本图形的绘制；车辆的识别。车辆的识别包括基本图像运算和处理，形态学基础，轮廓的查找，文字显示等其次考虑需要的功能：加载车辆视频；通过形态学识别车辆；对车辆进行统计；显示车辆统计信息。

二、设计步骤

1、加载视频

import cv2
import numpy as np

#捕获视频，可以通过设备或者文件，此处通过读取文件
cap = cv2.VideoCapture('F:\\tupian\\video.mp4')

#将视频分解为一帧一帧的图像进行操作
while True:
    #读取cap视频，返回读取是否成功ret，视频帧frame
    ret, frame = cap.read()

    if(ret == True):
        cv2.imshow('video', frame)

    key = cv2.waitKey(30)
    if(key == 27):#此处的27表示键盘的Esc键
        break

#是否视频和窗口资源
cap.release()
cv2.destroyAllWindows()

2、去背景

        去除背景有对应的API，这里是其中一种

（1）createBackgSubtractorMOG2（...）

        原理：对于视频来说在时间轴上某一像素不发生变化被认定为背景；

        一般使用此函数时，参数都不用设置，直接用默认值，其中history调整比较多，表示缓存，是比较动静的范围；

        这里由于学习的视频教的API是dgsgem模块里的，但是我用的是opencv4.7，查询发OpenCV 4.7版本中已经删除了cv2.bgsegm模块。因此，cv2.bgsegm.createBackgroundSubtractorMOG函数在OpenCV 4.7中不可用。然而，在OpenCV 4.7中，您仍然可以使用其他背景子提取器，例如cv2.createBackgroundSubtractorMOG2和cv2.createBackgroundSubtractorKNN。这些函数基于不同的算法，并且可能会产生与cv2.bgsegm.createBackgroundSubtractorMOG不同的结果，因此您需要根据自己的需求选择合适的函数。

        在OpenCV中，cv2.createBackgroundSubtractorMOG2是MOG2(高斯混合模型)背景减除算法的实现，而cv2.bgsegm.createBackgroundSubtractorMOG是基于自适应混合估计的背景减除算法。这两种算法都可以用来从视频序列中提取前景。然而cv2.createBackgroundSubtractorMOG2通常比cv2.bgsegm.createBackgroundSubtractorMOG更常用和更受欢迎，因为它具有以下优势：

1. MOG2算法在处理复杂场景时表现更好，因为它使用了更先进的数学模型来对前景和背景建模。
2. MOG2算法在处理低光或高动态范围下的视频时表现更好，因为它能够自适应调整混合的数量并快速适应新的背景。
3. MOG2算法的运行速度相对较快，因为它只需要将新像素与之前的背景建模进行比较，并根据阈值确定是否为前景。

        总之，如果你需要从视频中提取前景并进行后续处理，那么cv2.createBackgroundSubtractorMOG2可能是更好的选择。但是，如果你处理的是特定类型的视频并且自适应性很重要，那么cv2.bgsegm.createBackgroundSubtractorMOG也可能是一个不错的选择。

        经过对比发现cv2.createBackgroundSubtractorKNN比cv2.createBackgroundSubtractorMOG2效果更好。

import cv2
import numpy as np

#捕获视频，可以通过设备或者文件，此处通过读取文件
cap = cv2.VideoCapture('F:\\tupian\\video.mp4')


#背景去除
bgsubmog = cv2.createBackgroundSubtractorKNN()

#将视频分解为一帧一帧的图像进行操作
while True:
    #读取cap视频，返回读取是否成功ret，视频帧frame
    ret, frame = cap.read()

    if(ret == True):
        #去噪之前将原始图像frame进行灰度化
        r= cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        #在去背景前，给frame高斯去噪
        blur = cv2.GaussianBlur(r, (3,3), 5)

        #对每个帧进行背景去除的操作应用
        mask = bgsubmog.apply(blur)
        cv2.imshow('video', mask)

    key = cv2.waitKey(1)
    if(key == 27):#此处的27表示键盘的Esc键
        break

#是否视频和窗口资源
cap.release()
cv2.destroyAllWindows()

3、形态学处理

        对轮廓进行获取，并且储存进carno中。

4、逻辑处理

        形态学处理后仍然存在一些小形态的物体被识别，我们可以通过限制宽高的逻辑来过滤这些物体；

5、显示车辆统计信息

        进行参数的调整，查看车辆数量是否有出入，根据实际情况调整，然后显示具体数据。

import cv2
import numpy as np

min_w = 90
min_h = 90

#检测线的高度
line_high = 560

#线的偏移量
offset = 8

#统计车的数量
carno = 0

#存放有效车辆矩阵的数据
cars= []

def center(x,y,w,h):
    x1 = int(w/2)
    y1 = int(h/2)
    cx = x + x1
    cy = y + y1

    return cx,cy

#捕获视频，可以通过设备或者文件，此处通过读取文件
cap = cv2.VideoCapture('F:\\tupian\\video.mp4')

#背景去除
bgsubmog = cv2.createBackgroundSubtractorKNN()

#形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))

#将视频分解为一帧一帧的图像进行操作
while True:
    #读取cap视频，返回读取是否成功ret，视频帧frame
    ret, frame = cap.read()

    if(ret == True):
        #去噪之前将原始图像frame进行灰度化
        r= cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        #在去背景前，给frame高斯去噪
        blur = cv2.GaussianBlur(r, (3,3), 5)

        #去除背景
        mask = bgsubmog.apply(blur)

        #腐蚀，去除小的斑块
        erode = cv2.erode(mask, kernel) 

        #膨胀
        dilate = cv2.dilate(erode, kernel, iterations=3)

        #闭运算2次，去除物体内部小块
        close1 = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close1, cv2.MORPH_CLOSE, kernel)

        #收集轮廓
        cnts, h =cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        cv2.line(frame, (10,line_high), (1200,line_high), (255,0,0),3)
        #enumerate是枚举函数，i是第几次循环，
        #c是第几个cnts，总共循环len(cnts)次
        for (i, c) in enumerate(cnts):
            (x,y,w,h) = cv2.boundingRect(c)  

            #对车辆的宽高进行判断
            #以验证是否有效车辆
            isValid = (w >= min_w) and ( h >= min_h)
            if( not isValid):
                continue

            #到这里都是有效的车
            #画矩形
            cv2.rectangle(frame, (x,y),(x+w,y+h), (0,0,255), 2)
            cpoint = center(x,y,w,h)
            cv2.circle(frame, (cpoint[0],cpoint[1]),1, (0,0,255), 2)
            cars.append(cpoint)

            for (x ,y) in cars:
                #要有一条线；范围为offset；计数完毕后从数组中减去
                if( (y > line_high - offset) and (y < line_high + offset) ):
                    carno += 1
                    cars.remove((x, y))
                    print(carno)
                
 
        cv2.putText(frame, "Cars count:" + str(carno),(500,60),cv2.FONT_HERSHEY_SIMPLEX, 2, (255,0,255), 5 )
        cv2.imshow('video', frame)
        # cv2.imshow('test', close)

    key = cv2.waitKey(27)
    if(key == 27):#此处的27表示键盘的Esc键
        break

#是否视频和窗口资源
cap.release()
cv2.destroyAllWindows()