十一、车辆统计项目

效果图：

1、准备工作

1.1 涉及到的内容

• 窗口的显示
• 图像/视频的加载
• 基本图像的绘制
• 车辆识别
  • 基本图像运算与处理
  • 形态学
  • 轮廓查找

1.2 整体流程

1、加载视频

2、通过形态学识别车辆

3、对车辆进行统计

4、显示车辆统计信息

2、加载视频

import cv2

# 加载视频
cap = cv2.VideoCapture('../resource/Car.mp4')
# 循环读取视频帧
while True:
    ret, frame = cap.read()
    if ret is True:
        cv2.imshow('video', frame)

    key = cv2.waitKey(1)
    # 用户按ESC退出
    if key == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

3、背景减除

背景减除（Background Subtraction）是许多基于计算机视觉的任务中的主要预处理步骤，如果我们有完整的静止的背景帧，那么我们可以通过帧差法来计算像素差从而获得到前景对象。

但是在大多数情况下，我们可能没有这样的图像，所以我们需要从我们拥有的任何图像中提取背景。当运动物体有阴影时，由于阴影也在运动，情况会变的更加复杂，为此引入了背景减除法，通过这一方法我们能够从视频中分离出运动的物体前景，从而达到目标检测的目的。

cv2.BackgroundSubtractorMOG2()用法：

• 这是一个以混合高斯模型为基础的前景/背景分割算法。它是 P.KadewTraKuPong 和 R.Bowden 在2001年提出的。
• 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：mog = cv2.bgsegm.createBackgroundSubtractorMOG() 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。将它们全部设置为默认值，然后在整个视频中我们是需要使用 mask = mog.apply(frame) 就可以得到前景的掩膜了。
• 移动的物体会被标记为白色，背景会被标记为黑色的。

import cv2

# 加载视频
cap = cv2.VideoCapture('../resource/Car.mp4')
# 循环读取视频帧
while True:
    ret, frame = cap.read()
    if ret is True:
        cv2.imshow('video', frame)

    key = cv2.waitKey(50)
    # 用户按ESC退出
    if key == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

4、形态学识别车辆

import cv2

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

# 创建mog对象
mog = cv2.bgsegm.createBackgroundSubtractorMOG()
# 获取kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 循环读取视频帧
while True:
    ret, frame = cap.read()
    if ret is True:
        # 将原始帧灰度化
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 然后去噪
        blur = cv2.GaussianBlur(gray, (3, 3), 5)
        mask = mog.apply(blur)
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        # 膨胀
        dilate = cv2.dilate(erode, kernel, iterations=1)
        # 消除内部小块
        # 闭运算
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)

        cv2.imshow('erode', erode)
        cv2.imshow('dilate', dilate)
        cv2.imshow('close', close)

    key = cv2.waitKey(50)
    # 用户按ESC退出
    if key == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

1、腐蚀：

2、膨胀：

3、闭运算：

5、判断是否是车辆

import cv2

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

# 创建mog对象
mog = cv2.bgsegm.createBackgroundSubtractorMOG()
# 获取kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

min_w = 35
min_h = 35

# 循环读取视频帧
while True:
    ret, frame = cap.read()
    if ret is True:
        # 将原始帧灰度化
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 然后去噪
        blur = cv2.GaussianBlur(gray, (3, 3), 5)
        mask = mog.apply(blur)
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        # 膨胀
        dilate = cv2.dilate(erode, kernel, iterations=2)
        # 消除内部小块
        # 闭运算
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)

        # 查找轮廓
        contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
        # 画出所有检测出的轮廓
        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
            # 要求坐标点都是整数
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)

        # cv2.imshow('erode', erode)
        # cv2.imshow('dilate', dilate)
        # cv2.imshow('close', close)
        cv2.imshow('frame', frame)

    key = cv2.waitKey(50)
    # 用户按ESC退出
    if key == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

6、车辆计数

import cv2

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

# 创建mog对象
mog = cv2.bgsegm.createBackgroundSubtractorMOG()
# 获取kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

min_w = 35
min_h = 35

line_high = 600

# 偏移量
offset = 5

cars = []
carno = 0


# 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


# 循环读取视频帧
while True:
    ret, frame = cap.read()
    if ret is True:
        # 将原始帧灰度化
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 然后去噪
        blur = cv2.GaussianBlur(gray, (3, 3), 5)
        mask = mog.apply(blur)
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        # 膨胀
        dilate = cv2.dilate(erode, kernel, iterations=2)
        # 消除内部小块
        # 闭运算
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)

        # 查找轮廓
        contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        # 画出检测线
        cv2.line(frame, (0, line_high), (1280, line_high), (0, 255, 0), 2)

        # 画出所有检测出的轮廓
        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
            # 要求坐标点都是整数
            cv2.rectangle(frame, (x, y), (x + w, 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)
            cars.append(cpoint)
            cv2.circle(frame, cpoint, 5, (0, 0, 255), -1)

            # 判断汽车是否过检测线
            for (x, y) in cars:
                if (line_high - offset) < y < (line_high + offset):
                    # 落入了有效区间,计数+1
                    carno += 1
                    cars.remove((x, y))
                    print(carno)
            # 如何去计数

        # cv2.imshow('erode', erode)
        # cv2.imshow('dilate', dilate)
        # cv2.imshow('close', close)
        cv2.putText(frame, 'Vehicle Count:' + str(carno), (420, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 255), 5)

        cv2.imshow('frame', frame)

    key = cv2.waitKey(50)
    # 用户按ESC退出
    if key == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()