车辆计数系统 python实现

最新推荐文章于 2024-07-13 15:56:08 发布

星空img

最新推荐文章于 2024-07-13 15:56:08 发布

阅读量7.3k

点赞数 13

分类专栏：技术交流文章标签：计算机视觉 python 人工智能

本文链接：https://blog.csdn.net/qq_36614831/article/details/107178136

版权

本文介绍了一个基于Python的车辆计数系统，利用背景差分法进行车辆检测，DeepSort跟踪算法进行目标跟踪，并通过多线程定时计数统计车流量。系统包括车辆检测和车辆跟踪计数两个模块，其中车辆跟踪计数模块运用了卡尔曼滤波器进行状态估计和轨迹处理。程序运行结果良好，能有效应对交通路口的车流量统计。

摘要由CSDN通过智能技术生成

车辆计数系统

主要内容：

1、目标检测：背景差分法

2、目标跟踪：DeepSort跟踪算法

3、计数器：多线程定时计数

1车流量计数系统设计

为了能够实时准确地对交通路口地车流量进行统计，在本论文中，首先，我们采用背景差分法对进入交通路口摄像头中的车辆进行检测，由于环境光等干扰因素的影响，会导致不同目标重叠在一起，这将大大降低本系统的检测效果，因此，我们需要对每帧图像进行形态学预处理，消除干扰；其次，使用Deepsort跟踪算法对检测出来的车辆进行跟踪，为了避免目标被遮挡后ID跳变引起的计数不准确的问题，我们采用卡尔曼滤波算法通过当前时刻车辆的运动方向、运动速度等数据预测出车辆下一帧或下几帧可能出现的区域，然后通过提取目标特征并与消失前的特征进行余弦距离度量，将满足阈值的目标恢复其消失前的ID。最后，我们通过计算单位时间内增加的ID数来统计交通路口地车流量。因此，车流量计数系统设计主要分为车辆检测模块、车辆跟踪计数模块

1.1车辆检测模块

对于车辆检测模块，主要由背景建模、差分计算、形态学处理以及框出目标组成。具体流程如下：

第一步：使用KNN背景建模对前20帧图像进行背景建模。通过调用Python-opencv中的createBackgroundSubtractorKNN函数构建背景模型，便于后面的前景提取，具体程序如下：

    def build_subtractor(self, history):
        bs = cv2.createBackgroundSubtractorKNN(detectShadows=False)  # 背景减除器，设置阴影检测
        bs.setHistory(history)
        return bs

    def train(self, frame):  #  背景建模
        if self.count == self.history:
            return True
        else:
            fg_mask = self.bs.apply(frame)   # 获取 foreground mask
            self.count += 1
            return False

第二步，通过当前帧与背景模型做减法，提取当前帧中的运动目标，如图1.1；

第三步，对第二步中提取的运动目标进行形态学处理，并提取出运动目标位置，同时，使用标记框标记运动目标，实验效果如图1.2所示。

    def detect(self, frame):  #   检测
        fg_mask = self.bs.apply(frame)   # 获取 foreground mask
        
        # 对原始帧进行膨胀去噪
        th = cv2.threshold(fg_mask.copy(), 244, 255, cv2.THRESH_BINARY)[1]
        th = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (1, 1)), iterations=2)
        dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (2, 2)), iterations=2)
        # 获取所有检测框
        image, contours, hier = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        
        boxes = []
        cv2.imshow("fg_mask", fg_mask)
        cv2.imshow("dilated", dilated)
        for c in contours:
            # 获取矩形框边界坐标
            x, y, w, h = cv2.boundingRect(c)
            if y < self.detection_area[1] or x < self.detection_area[0] or y > self.detection_area[3]:continue  # 排除计数区域之外的目标干扰
            # 计算矩形框的面积
            area = cv2.contourArea(c)
            if 500 < area:
                boxes.append([x, y, w, h])

        return boxes