【OpenCV学习】（九）目标识别之车辆检测及计数

背景

本篇将具体介绍一个实际应用项目——车辆检测及计数，在交通安全中是很重要的一项计数；当然，本次完全采用OpenCV进行实现，和目前落地的采用深度学习的算法并不相同，但原理是一致的；本篇将从基础开始介绍，一步步完成车辆检测计数的项目；

一、图像轮廓

本质：具有相同颜色或强度的连续点的曲线；

作用：

1、可用于图形分析；

2、应用于物体的识别与检测；

注意点：

1、为了检测的准确性，需要先对图像进行二值化或Canny操作；

2、画轮廓的时候回修改输入的图像，需要先深拷贝原图；

轮廓查找的函数原型：

findContours（img，mode，ApproximationMode…）

mode

RETR_EXTERNAL=0，表示只检测外轮廓；

RETR_LIST=1，检测的轮廓不建立等级关系；（常用）

RETR_CCOMP=2，每层最多两级；

RETR_TREE=3，按树形结构存储轮廓，从右到左，从大到小；（常用）
ApproximationMode

CHAIN_APPROX_BOBE：保存轮廓上所有的点；

CHAIN_APPROX_SIMPLE：只保存轮廓的角点；

代码实战：

img = cv2.imread('./contours1.jpeg')
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

contours输出结果：

(array([[[  0,   0]],

       [[  0, 435]],

       [[345, 435]],

       [[345,   0]]], dtype=int32),)

可以看出，我们找最外层轮廓，找出了一个矩形轮廓的四个点；

当然，我们不需要通过画形状来绘制轮廓，可以通过一个内置函数来绘制轮廓；

绘制轮廓函数原型：

drawContours（img，contours，contoursIdx，color，thickness，…）

contours：表示保存轮廓的数组；
contoursIdx：表示绘制第几个轮廓，-1表示所有轮廓；

代码案例：

img = cv2.imread('./contours1.jpeg')
img2 = img.copy()
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img, contours, -1, (0, 0, 255), 1)
cv2.drawContours(img2, contours, -1, (0, 0, 255), -1)

cv2.imshow('org', img)
cv2.imshow('org2', img2)
cv2.waitKey(0)

在这里插入图片描述

如上图所示，左图是线宽设置为1，右图为线宽设置为-1，也就是填充的效果；

当然，OpenCV还提供了计算轮廓周长和面积的方法；

轮廓面积函数原型：

contourArea（contour）

轮廓周长函数原型：

arcLength（curve，closed）

curve：表示轮廓；
closed：是否是闭合的轮廓；

上述两个函数比较简单，在这就不做代码演示了；

二、多边形逼近与凸包

多边形逼近函数原型：

approxPolyDP（curve，epsilon，closed）

epslion：精度；

凸包的函数原型：

convexHull（points，clockwise，…）

points：轮廓；
clockwise：绘制方向，顺时针或逆时针；（不重要）

首先我们看一下基于轮廓查找输出的轮廓形状：

在这里插入图片描述

可以看出轮廓点十分密集，接下来看一下基于多变形逼近和凸包的效果：

代码案例：

img = cv2.imread('./hand.png')
img2 = img.copy()
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# cv2.drawContours(img, contours, -1, (0, 0, 255), 1)
e = 20
approx = cv2.approxPolyDP(contours[0], e, True)    # 多边形逼近
approx = (approx, )
cv2.drawContours(img, approx, 0, (0, 0, 255), 3)

hull = cv2.convexHull(contours[0])
hull = (hull, )
cv2.drawContours(img2, hull, 0, (0, 0, 255), 3)    # 凸包

cv2.imshow('org', img)
cv2.imshow('org2', img2)
cv2.waitKey(0)

在这里插入图片描述

这里需要注意一点，绘制轮廓的函数对于轮廓的传入需要为元组，需要将得到的数组放到一个元组中！

当然，多边形逼近这里设置的精度为20，所以比较粗糙，设置小一些可以达到更好的效果；

三、外接矩形

外接矩阵分为最大外接矩阵和最小外接矩阵，如下图所示：

在这里插入图片描述

最小外接矩阵还有一个功能，就是计算旋转角度，从上图的绿框应该可以很明显看出；

最小外接矩阵函数原型：

minAreaRect（points）

返回值：起始点（x，y）、宽高（w，h）、角度（angle）

最大外接矩形函数原型：

boundingRect（array）

返回值：起始点（x，y）、宽高（w，h）

代码案例：

img = cv2.imread('./hello.jpeg')
img2 = img.copy()
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 获取最小外接矩形
r = cv2.minAreaRect(contours[1])
box = cv2.boxPoints(r)                     # 提取其中的点
box = np.int0(box)                         # 将浮点型转换为整型
cv2.drawContours(img, (box, ), 0, (0, 0, 255), 2)

# 获取最大外接矩形
x, y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img2, (x, y), (x+w, y+h), (0, 0, 255), 2)

cv2.imshow('org', img)
cv2.imshow('org2', img2)
cv2.waitKey(0)

在这里插入图片描述

四、车辆统计实战

涉及的知识点：

窗口展示
图像、视频的加载
基本图形的绘制
基本图像运算与处理
形态学
轮廓查找

实现流程：

加载视频 —— 通过形态学识别车辆 —— 对车辆进行统计 —— 显示统计信息

1、加载视频

这里就是一个简单加载视频的实现：

cap = cv2.VideoCapture('video.mp4')
while True:
    ret, frame = cap.read()
    
    if(ret == True):
        cv2.imshow('video', frame)
    
    key = cv2.waitKey(1)
    if(key == 27):                  # Esc退出
        break

cap.release()
cv2.destroyAllWindows()

2、去除背景

函数原型：

createBackgroundSubtractorMOG（）

history：缓冲，表示多少毫秒，可不指定参数，用默认的即可；

具体实现原理比较复杂，用到了一些视频序列关联信息，把像素值不变的认为是背景；

注意：在opencv中已经不支持该函数，而是用createBackgroundSubtractorMOG2（）替代；如果需要使用可以安装opencv_contrib模块，在其中的bgsegm中保留了该函数；

代码实现：

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

bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()

while True:
    ret, frame = cap.read()
    
    if(ret == True):
        # 灰度处理
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 高斯去噪
        blur = cv2.GaussianBlur(frame, (3, 3), 5)
        mask = bgsubmog.apply(blur)
        cv2.imshow('video', mask)
        
    key = cv2.waitKey(1)
    if(key == 27):                  # Esc退出
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

这里尽量采用旧版的MOG函数，新版的MOG2函数比较精细，会将树叶等信息输出，去除效果没那么好；

3、形态处理

这里主要是为了处理一些小的噪声点以及目标中的黑色块；

代码实现：

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

bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()

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

while True:
    ret, frame = cap.read()
    
    if(ret == True):
        # 灰度处理
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 高斯去噪
        blur = cv2.GaussianBlur(frame, (3, 3), 5)
        mask = bgsubmog.apply(blur)
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        # 膨胀
        dilate = cv2.dilate(erode, kernel, 3)
        # 闭操作
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)
        
        contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE,)
        
        for (i, c) in enumerate(contours):
            (x, y, w, h) = cv2.boundingRect(c)
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0,0,255), 2)
            
        cv2.imshow('video', frame)
        
    
    key = cv2.waitKey(1)
    if(key == 27):                  # Esc退出
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

从图中效果来看，还是会有很多小的检测框，接下来就是处理重合检测框以及去掉一些多余的检测框，类似于NMS去重，当然原理还不太一样；

4、车辆统计

首先需要过滤一些小的矩形，已经检测框的长和宽，设定一些阈值即可；

代码实现：

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

bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()

# 保存车辆中心点信息
cars = []
# 统计车的数量
car_n = 0

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

while True:
    ret, frame = cap.read()
    
    if(ret == True):
        # 灰度处理
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 高斯去噪
        blur = cv2.GaussianBlur(frame, (3, 3), 5)
        mask = bgsubmog.apply(blur)
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        # 膨胀
        dilate = cv2.dilate(erode, kernel, 3)
        # 闭操作
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)
        
        contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE,)
        
        # 画一条线
        cv2.line(frame, (10, 550), (1200, 550), (0, 255, 255), 3)
        for (i, c) in enumerate(contours):
            (x, y, w, h) = cv2.boundingRect(c)
            
            # 过滤小的检测框
            isshow = (w >= 90) and (h >= 90)
            if(not isshow):
                continue
                
            # 保存中心点信息
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0,0,255), 2)
            centre_p = (x + int(w/2), y + int(h/2))
            cars.append(centre_p)
            cv2.circle(frame, (centre_p), 5, (0,0,255), -1)
            for (x, y) in cars:
                if(593 < y < 607):
                    car_n += 1 
                    cars.remove((x, y))             
        cv2.putText(frame, "Cars Count:" + str(car_n), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 255), 5)    
        cv2.imshow('video', frame)
        
    
    key = cv2.waitKey(1)
    if(key == 27):                  # Esc退出
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

简单的效果已经出来了，对于大部分车辆都能够很好的检测并且计数了；

存在问题：

由于是用中心点与线的距离来判断，车速过慢可能会在两帧内重复计数，车速过快可能会计数不到；这就是传统算法存在的一个问题，基于深度学习的方法可以很好解决这些问题，可关注目标跟踪实战的那一篇文章！

总结

项目到这里就介绍了，通过该项目主要是将所学的知识点进行串联，重点在于形态学的运用！当然这个效果可能达不到实际应用的标准，这也是传统算法的一个弊端；有能力的可以采用深度学习的方法进行实现，也可以关注我后续的目标跟踪是实现车辆计数，效果会远比这个好。

文章出处登录后可见！

已经登录？立即刷新

【OpenCV学习】（九）目标识别之车辆检测与计数

【OpenCV学习】（九）目标识别之车辆检测及计数

背景

一、图像轮廓

二、多边形逼近与凸包

三、外接矩形

四、车辆统计实战

1、加载视频

2、去除背景

3、形态处理

4、车辆统计

总结

相关推荐