【OpenCV學習】（九）目標識別之車輛檢測及計數

背景

本篇將具體介紹一個實際應用項目——車輛檢測及計數，在交通安全中是很重要的一項計數；當然，本次完全采用OpenCV進行實現，和目前落地的采用深度學習的算法并不相同，但原理是一致的；本篇將從基礎開始介紹，一步步完成車輛檢測計數的項目；

一、圖像輪廓

本質：具有相同顏色或強度的連續點的曲線；

作用：

1、可用于圖形分析；

2、應用于物體的識別與檢測；

注意點：

1、為了檢測的準確性，需要先對圖像進行二值化或Canny操作；

2、畫輪廓的時候回修改輸入的圖像，需要先深拷貝原圖；

輪廓查找的函數原型：

findContours（img，mode，ApproximationMode…）

• mode

  RETR_EXTERNAL=0，表示只檢測外輪廓；

  RETR_LIST=1，檢測的輪廓不建立等級關系；（常用）

  RETR_CCOMP=2，每層最多兩級；

  RETR_TREE=3，按樹形結構存儲輪廓，從右到左，從大到小；（常用）

• ApproximationMode

  CHAIN_APPROX_BOBE：保存輪廓上所有的點；

  CHAIN_APPROX_SIMPLE：只保存輪廓的角點；

代碼實戰：

img = cv2.imread('./contours1.jpeg') # 轉變成單通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 輪廓查找 contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

contours輸出結果：

(array([[[ 0, 0]],[[ 0, 435]],[[345, 435]],[[345, 0]]], dtype=int32),)

可以看出，我們找最外層輪廓，找出了一個矩形輪廓的四個點；

當然，我們不需要通過畫形狀來繪制輪廓，可以通過一個內置函數來繪制輪廓；

繪制輪廓函數原型：

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

• contours：表示保存輪廓的數組；
• contoursIdx：表示繪制第幾個輪廓，-1表示所有輪廓；

代碼案例：

img = cv2.imread('./contours1.jpeg') img2 = img.copy() # 轉變成單通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 輪廓查找 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)

如上圖所示，左圖是線寬設置為1，右圖為線寬設置為-1，也就是填充的效果；

當然，OpenCV還提供了計算輪廓周長和面積的方法；

輪廓面積函數原型：

contourArea（contour）

輪廓周長函數原型：

arcLength（curve，closed）

• curve：表示輪廓；
• closed：是否是閉合的輪廓；

上述兩個函數比較簡單，在這就不做代碼演示了；

二、多邊形逼近與凸包

多邊形逼近函數原型：

approxPolyDP（curve，epsilon，closed）

• epslion：精度；

凸包的函數原型：

convexHull（points，clockwise，…）

• points：輪廓；
• clockwise：繪制方向，順時針或逆時針；（不重要）

首先我們看一下基于輪廓查找輸出的輪廓形狀：

可以看出輪廓點十分密集，接下來看一下基于多變形逼近和凸包的效果：

代碼案例：

img = cv2.imread('./hand.png') img2 = img.copy() # 轉變成單通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 輪廓查找 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) # 多邊形逼近 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)

這里需要注意一點，繪制輪廓的函數對于輪廓的傳入需要為元組，需要將得到的數組放到一個元組中！

當然，多邊形逼近這里設置的精度為20，所以比較粗糙，設置小一些可以達到更好的效果；

三、外接矩形

外接矩陣分為最大外接矩陣和最小外接矩陣，如下圖所示：

最小外接矩陣還有一個功能，就是計算旋轉角度，從上圖的綠框應該可以很明顯看出；

最小外接矩陣函數原型：

minAreaRect（points）

返回值：起始點（x，y）、寬高（w，h）、角度（angle）

最大外接矩形函數原型：

boundingRect（array）

返回值：起始點（x，y）、寬高（w，h）

代碼案例：

img = cv2.imread('./hello.jpeg') img2 = img.copy() # 轉變成單通道 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化 ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # 輪廓查找 contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 獲取最小外接矩形 r = cv2.minAreaRect(contours[1]) box = cv2.boxPoints(r) # 提取其中的點 box = np.int0(box) # 將浮點型轉換為整型 cv2.drawContours(img, (box, ), 0, (0, 0, 255), 2)# 獲取最大外接矩形 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)

四、車輛統計實戰

涉及的知識點：

• 窗口展示
• 圖像、視頻的加載
• 基本圖形的繪制
• 基本圖像運算與處理
• 形態學
• 輪廓查找

實現流程：

加載視頻 —— 通過形態學識別車輛 —— 對車輛進行統計 —— 顯示統計信息

1、加載視頻

這里就是一個簡單加載視頻的實現：

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breakcap.release() cv2.destroyAllWindows()

2、去除背景

函數原型：

createBackgroundSubtractorMOG（）

• history：緩沖，表示多少毫秒，可不指定參數，用默認的即可；

具體實現原理比較復雜，用到了一些視頻序列關聯信息，把像素值不變的認為是背景；

注意：在opencv中已經不支持該函數，而是用createBackgroundSubtractorMOG2（）替代；如果需要使用可以安裝opencv_contrib模塊，在其中的bgsegm中保留了該函數；

代碼實現：

cap = cv2.VideoCapture('video.mp4')bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()while True:ret, frame = cap.read()if(ret == True):# 灰度處理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breakcap.release() cv2.destroyAllWindows()

這里盡量采用舊版的MOG函數，新版的MOG2函數比較精細，會將樹葉等信息輸出，去除效果沒那么好；

3、形態處理

這里主要是為了處理一些小的噪聲點以及目標中的黑色塊；

代碼實現：

cap = cv2.VideoCapture('video.mp4')bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()# 形態學kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))while True:ret, frame = cap.read()if(ret == True):# 灰度處理cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 高斯去噪blur = cv2.GaussianBlur(frame, (3, 3), 5)mask = bgsubmog.apply(blur)# 腐蝕erode = cv2.erode(mask, kernel)# 膨脹dilate = cv2.dilate(erode, kernel, 3)# 閉操作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breakcap.release() cv2.destroyAllWindows()

從圖中效果來看，還是會有很多小的檢測框，接下來就是處理重合檢測框以及去掉一些多余的檢測框，類似于NMS去重，當然原理還不太一樣；

4、車輛統計

首先需要過濾一些小的矩形，已經檢測框的長和寬，設定一些閾值即可；

代碼實現：

cap = cv2.VideoCapture('video.mp4')bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()# 保存車輛中心點信息 cars = [] # 統計車的數量 car_n = 0# 形態學kernel kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))while True:ret, frame = cap.read()if(ret == True):# 灰度處理cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 高斯去噪blur = cv2.GaussianBlur(frame, (3, 3), 5)mask = bgsubmog.apply(blur)# 腐蝕erode = cv2.erode(mask, kernel)# 膨脹dilate = cv2.dilate(erode, kernel, 3)# 閉操作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,)# 畫一條線cv2.line(frame, (10, 550), (1200, 550), (0, 255, 255), 3)for (i, c) in enumerate(contours):(x, y, w, h) = cv2.boundingRect(c)# 過濾小的檢測框isshow = (w >= 90) and (h >= 90)if(not isshow):continue# 保存中心點信息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breakcap.release() cv2.destroyAllWindows()

簡單的效果已經出來了，對于大部分車輛都能夠很好的檢測并且計數了；

存在問題：

由于是用中心點與線的距離來判斷，車速過慢可能會在兩幀內重復計數，車速過快可能會計數不到；這就是傳統算法存在的一個問題，基于深度學習的方法可以很好解決這些問題，可關注目標跟蹤實戰的那一篇文章！

總結

項目到這里就介紹了，通過該項目主要是將所學的知識點進行串聯，重點在于形態學的運用！當然這個效果可能達不到實際應用的標準，這也是傳統算法的一個弊端；有能力的可以采用深度學習的方法進行實現，也可以關注我后續的目標跟蹤是實現車輛計數，效果會遠比這個好。

總結

以上是生活随笔為你收集整理的【OpenCV学习】（九）目标识别之车辆检测与计数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。