视频中的车流量统计

日萌社

 

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

---

CNN：RCNN、SPPNet、Fast RCNN、Faster RCNN、YOLO V1 V2 V3、SSD、FCN、SegNet、U-Net、DeepLab V1 V2 V3、Mask RCNN

自动驾驶：车道线检测、车速检测、实时通行跟踪、基于视频的车辆跟踪及流量统计

车流量检测实现：多目标追踪、卡尔曼滤波器、匈牙利算法、SORT/DeepSORT、yoloV3、虚拟线圈法、交并比IOU计算

多目标追踪：DBT、DFT、基于Kalman和KM算法的后端优化算法、SORT/DeepSORT、基于多线程的单目标跟踪的多目标跟踪算法KCF

计算交并比IOU、候选框不同表示方式之间的转换

卡尔曼滤波器

卡尔曼滤波器实践

目标估计模型-卡尔曼滤波

匈牙利算法

数据关联：利用匈牙利算法对目标框和检测框进行关联

SORT、DeepSORT

多目标追踪

yoloV3模型

基于yoloV3的目标检测

叉乘：基于虚拟线圈法的车流量统计

视频中的车流量统计

---

4.10. 视频中的车流量统计

学习目标

• 了解视频中处理车流量统计的方法

---

前面我们已经完成了视频中车辆的检测功能，下面我们对车辆进行跟踪，并将跟踪结果绘制在视频中。

主要分为以下步骤：

• 对目标进行追踪
• 绘制车辆计数结果
• 将检测结果绘制在视频中并进行保存

1.对目标进行追踪

    # yolo中检测结果为0时，传入跟踪器中会出现错误，在这里判断下，未检测到目标时不进行目标追踪
    if np.size(dets) == 0:
        continue
    else:
        tracks = tracker.update(dets)  # 将检测结果传入跟踪器中，返回当前画面中跟踪成功的目标，包含五个信息：目标框的左上角和右下角横纵坐标，目标的置信度

    # 对跟踪器返回的结果进行处理
    boxes = []  # 存放tracks中的前四个值：目标框的左上角横纵坐标和右下角的横纵坐标
    indexIDs = []  # 存放tracks中的最后一个值：置信度，用来作为memory中跟踪框的Key
    previous = memory.copy()  # 用于存放上一帧的跟踪结果，用于碰撞检测
    memory = {} # 存放当前帧目标的跟踪结果，用于碰撞检测
    # 遍历跟踪结果，对参数进行更新
    for track in tracks:
        boxes.append([track[0], track[1], track[2], track[3]])  # 更新目标框坐标信息
        indexIDs.append(int(track[4]))  # 更新置信度信息
        memory[indexIDs[-1]] = boxes[-1]  # 将跟踪框以key为：置信度，value为：跟踪框坐标形式存入memory中

1. 绘制车辆计数的相关信息

 cv2.line(frame, line[0], line[1], (0, 255, 0), 3)  # 根据设置的基准线将其绘制在画面上
    cv2.putText(frame, str(counter), (30, 80), cv2.FONT_HERSHEY_DUPLEX, 3.0, (255, 0, 0), 3)  # 绘制车辆的总计数
    cv2.putText(frame, str(counter_up), (130, 80), cv2.FONT_HERSHEY_DUPLEX, 3.0, (0, 255, 0), 3)  # 绘制车辆正向行驶的计数
    cv2.putText(frame, str(counter_down), (230, 80), cv2.FONT_HERSHEY_DUPLEX, 3.0, (0, 0, 255), 3)  # 绘制车辆逆向行驶的计数

1. 将结果保存在视频中

   # 未设置视频的编解码信息时，执行以下代码
       if writer is None:
           # 设置编码格式
           fourcc = cv2.VideoWriter_fourcc(*"mp4v")
           # 视频信息设置
           writer = cv2.VideoWriter("./output/output.mp4",
                                    fourcc,
                                    30,
                                    (frame.shape[1], frame.shape[0]),
                                    True)
       # 将处理后的帧写入到视频中
       writer.write(frame)
       # 显示当前帧的结果
       cv2.imshow("", frame)
       # 按下q键退出
       if cv2.waitKey(1) & 0xFF == ord('q'):
           break

   ---

   总结

   1. 对目标进行追踪

   2. 绘制车辆计数的相关信息

   3. 将结果保存在视频中