文章目錄

• 1.序言
• 2.設(shè)計思路以及遇到的問題
• 3.實(shí)現(xiàn)過程
• 4.總結(jié)&吐槽
• 5.更新源碼
• 6.聯(lián)系方式

1.序言

這里主要說一下遇到的問題以及想法，如有問題歡迎大家指正。

2.設(shè)計思路以及遇到的問題

第一步是完成物體（也就是車輛）的檢測，這里有兩種解決辦法，第一種辦法是使用opencv的形態(tài)學(xué)處理，比如背景消除、做幀差、膨脹腐蝕等等，這個辦法比較基礎(chǔ)，但是要處理好需要調(diào)整諸多細(xì)節(jié)，我的細(xì)節(jié)調(diào)整的不夠好，因此實(shí)現(xiàn)時會遇到許多小問題。第二個辦法是直接實(shí)現(xiàn)物體的識別，需要用到一定的訓(xùn)練模型，我測試過googlenet和SSD，最終選擇了SSD，如果大家有能力也能自己訓(xùn)練，可能效果更好。

第二步是追蹤，這里我看到很多博文都提到了opencv自帶的追蹤器，比如kcf等，但是我對于追蹤器沒有成功使用，放棄了這個選擇，并選擇了最簡單粗暴的方法：逐幀讀取視頻并尋找車輛，一幀一幀畫出來。

第三步是計數(shù)，這里我卡了一個星期，遇到了各種問題，為此我?guī)缀醴榱薈SDN關(guān)于這塊的文章，有些文章確實(shí)給到了一些思路，但大部分都沒給出具體過程。第一個問題是怎么判斷是否計數(shù)的問題，我最開始的想法是：當(dāng)車輛輪廓的y坐標(biāo)碰到檢測線（這里假定為700）時加1，但接下里的測試卻非常失敗，很多車輛在愛檢測線附近會掉幀或者檢測不到或者其他原因，總之僅僅靠一個y軸直接判斷肯定是不夠的，后來我改成往下大于檢測線1（700），往上大于檢測線2（400），發(fā)現(xiàn)問題更大了，你會一直檢測（這里我劃分ROI區(qū)域沒有解決，可能是我方法不對）。之后在CSDN 中找到一篇博文，提到的做法是建立一個類，每次出現(xiàn)新的目標(biāo)就創(chuàng)建一個類，舊的目標(biāo)就替換坐標(biāo)，這個做法后來證實(shí)的確有效。但問題是如何判斷這一幀的車輛是否新的目標(biāo)，我給出的解決辦法是創(chuàng)建一個列表，將第一幀的所有目標(biāo)（也就是每一個對象）存入，第二幀的時候遍歷每一個目標(biāo)與列表的每一輛車，判斷x，y的距離，如果變化不超過車的長度和寬度，就認(rèn)為這是同一輛車（也有學(xué)長告訴為特征值匹配的辦法，也許更可行，但我能力不夠沒有學(xué)到這里，所以沒有采用）。第三個問題 是來去方向問題，最開始的想法是讀取質(zhì)心，將每一輛車變成點(diǎn)，然后讀取幀，當(dāng)這一幀的這一輛車的y坐標(biāo)相較于上一輛車增加時，就認(rèn)為這輛車方向向下，否者認(rèn)為方向向上，后來的測試證明我大錯特錯，有些車的輪廓會來回浮動，質(zhì)點(diǎn)也會來回浮動，因此有時候下一幀中方向向下的車輛的y坐標(biāo)甚至低于上一幀，所以我沒有采取這種方式。最終只能考慮最簡單粗暴的辦法：根據(jù)x坐標(biāo)給定方向，視頻中x軸1000往左為下，1000往右為上，我承認(rèn)這種辦法確實(shí)很笨，但我確實(shí)沒有想出好的辦法來，如有同學(xué)有辦法解決，懇請您大膽指出。第四個問題回到了計數(shù)判斷環(huán)節(jié)，這里由于上面問題的解決，所以我給出的判斷條件是y坐標(biāo)+方向+是否已經(jīng)計數(shù)。最后有個非常重要的步驟是車輛跨越一定限度后刪除對象，節(jié)約計算時間。

3.實(shí)現(xiàn)過程

1.物體檢測識別和追中請看我的上幾篇博文，鏈接1 opencv檢測 鏈接2SSD車輛識別
結(jié)果如下：

2.定義類：（其實(shí)id沒啥用，方便測試）

class Car:def __init__(self,c_id,c_x,c_y,direction,c_count): #初始化self.c_id = c_id #車輛編號self.c_x=c_x #車輛坐標(biāo)（實(shí)時更新）self.c_y=c_yself.direction = direction #車輛方向self.c_count = c_count #車輛是否已經(jīng)計數(shù)def updateCoords(self,x,y): #更新坐標(biāo)self.c_x= xself.c_y=y

3.計數(shù)

for i in cars:if abs(cx - i.c_x) < width and abs(cy - i.c_y) < height: # 找到這輛車與上一幀中最近的車new = False#最開始的想法，Y軸坐標(biāo)比上一幀大方向向下，比上一幀小方向向上，但失敗了# if cy > i.c_y:# i.direction = 'down'# if cy < i.c_y:# i.direction = 'up'i.updateCoords(cx, cy)if i.c_y >= 700 and i.direction == 'down' and i.c_count == False:count_down += 1i.c_count = Trueif i.c_y < 400 and i.direction == 'up' and i.c_count == False:count_up += 1i.c_count = True#刪除對象if i.c_y >= 790 or i.c_y <= 290:cars.remove(i)if new == True:p = Car(pid, cx, cy, 'unknow', False)#判斷方向，這里我實(shí)在沒找到好的辦法，只能從簡，大家測試的時候需要修改#如果有好的辦法請您指點(diǎn)if p.c_x > 1000:p.direction = 'up'else:p.direction = 'down'cars.append(p)pid += 1print(len(cars))cv.circle(image, (cx, cy), 5, (0, 0, 255), -1)cv.rectangle(image, (int(left), int(top)), (int(right), int(bottom)), (255, 0, 0), thickness=2)

4.結(jié)果（由于視頻畫質(zhì)原因，遇到一些車輛比較模糊時會出現(xiàn)很多框，因此還需改進(jìn)）

4.總結(jié)&吐槽

由于代碼還不夠完善，這里就不給大家一一貼出來了，主要是跟大家說一下我的思路，要是有小伙伴想?yún)⒖嫉脑?#xff0c;我就放一個下載鏈接吧，其實(shí)這個東西只要想明白了應(yīng)該不是什么難事（雖然我現(xiàn)在也有點(diǎn)暈），作為計算機(jī)視覺還在入門的新人，歡迎大家指出我的錯誤以便改進(jìn)，也歡迎同樣是計算機(jī)視覺新手的小伙伴們一起學(xué)習(xí)，本博客將一直更新相關(guān)內(nèi)容，我會把計算機(jī)視覺入門過程中所遇到的重要問題和自己的想法分享給大家，同時也希望能收到大家的點(diǎn)贊或者指點(diǎn)迷津。
我在學(xué)習(xí)過程同遇到很多有經(jīng)驗(yàn)的同學(xué)，他們有的使用了yolo v3算法，有的使用tensorflow訓(xùn)練模型，深感自己能力的不足，現(xiàn)在我會繼續(xù)學(xué)習(xí)這方面的內(nèi)容，希望能有更多思路和內(nèi)容分享給大家。
吐槽：算法確實(shí)挺難的，但更難的是找測試素材，這十字路口的監(jiān)控錄像上哪找去(各大視頻網(wǎng)站愣是沒找到幾個能用的，給跪了orz)

5.更新源碼

有許多小伙伴詢問，現(xiàn)在將源碼分享給大家，希望大家指正
2022.3.29更新：
這篇博客是20年寫的，現(xiàn)在22年了，兩年過去了，沒想到這么多人評論留言和郵件聯(lián)系我，在這里謝謝大家了，作為cv新人（可能一直都會是新人）受寵若驚。

需要說明的是，其實(shí)這個代碼有很大的局限性，因?yàn)橄袼攸c(diǎn)什么的都寫死了，換個視頻就不行了。而且純圖像處理的方法確實(shí)有很大的問題，一點(diǎn)點(diǎn)調(diào)參數(shù)確實(shí)能把一些大的物體運(yùn)動軌跡給抓住，但是一旦有的視頻會有光線啊、遮擋物啊什么的，僅僅用圖像處理就解決不掉了，因?yàn)檫@個代碼是我剛學(xué)圖像處理的時候做的，所以沒想太多。主要是記錄一下我遇到的問題吧，現(xiàn)在我現(xiàn)在已經(jīng)很久沒有用opencv了，有一些問題我也不知道在哪，這篇博客主要是提供一個思路，其實(shí)我回看一下思路確實(shí)沒啥問題，只是水平有限當(dāng)時沒有做好，如果是現(xiàn)在來做的話，yolo模型確實(shí)是比較優(yōu)秀的選擇，但是你用了yolo后，可以把我過線檢測以及定義類的思路用上。最后，無論是做畢設(shè)的、工作的還是在學(xué)習(xí)的兄弟，如果這篇博客幫到了大家，哪怕是一點(diǎn)點(diǎn)思路，那就是我開源的意義所在了，祝大家一帆風(fēng)順~

此外，有問題還是可以繼續(xù)留言或者郵件，所有留言和郵件我都會看，并且會一一回復(fù)的！**

import numpy as np import cv2 as cv import time class Car:def __init__(self,c_id,c_x,c_y,direction,c_count,c_start_time,c_over_time,c_v):self.c_id = c_idself.c_x=c_xself.c_y=c_yself.direction = directionself.c_count = c_countself.c_start_time = c_start_timeself.c_over_time = c_over_timeself.c_v = c_vdef updateCoords(self,x,y):self.c_x= xself.c_y=ycount_up = 0 count_down = 0 cars = [] pid = 1 max_v = 0 distance = 10 vc = cv.VideoCapture(r"C:\Users\zn\Desktop\監(jiān)控錄像_1.mp4")fourcc = cv.VideoWriter_fourcc(*'XVID') out = cv.VideoWriter('output.avi',fourcc,15, (1920,1080))BS = cv.createBackgroundSubtractorMOG2(detectShadows=True) while (vc.isOpened()):ret, frame = vc.read()# cv.imshow("frame01",frame)gray = cv.cvtColor(frame,cv.COLOR_BGR2GRAY)# ret,gray = cv.threshold(gray,127,255,cv.THRESH_BINARY)fgmask = BS.apply(gray)image = cv.medianBlur(fgmask,5)# cv.imshow("BS",fgmask)element = cv.getStructuringElement(cv.MORPH_RECT,(5, 5));#創(chuàng)建結(jié)構(gòu)體image2 = cv.morphologyEx(image, cv.MORPH_CLOSE,element,iterations=5);#閉運(yùn)算# image3 = cv.erode(image2, element)image3 = cv.morphologyEx(image2, cv.MORPH_OPEN, element, iterations=5)# cv.imshow('frame1', image3)contours, hierarchy = cv.findContours(image3, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)cv.line(frame, (0, 700), (1920, 700), (0, 255, 0), 3)cv.line(frame, (0, 400), (1920, 400), (0, 255, 0), 3)cv.line(frame, (0, 800), (1920, 800), (255, 255, 255), 2)cv.line(frame, (0, 300), (1920, 300), (255, 255, 255), 2)cv.putText(frame,"Up:"+str(count_up),(1100,100),cv.FONT_HERSHEY_COMPLEX,2,(255,0,0),3)cv.putText(frame, "Down:" + str(count_down),(700, 100), cv.FONT_HERSHEY_COMPLEX, 2, (255, 0, 0), 3)cv.putText(frame, "max_v:" + str('%.2f' %(max_v*3.6))+'km/h', (50, 100), cv.FONT_HERSHEY_COMPLEX, 1.5, (255, 0, 0), 2)null = True #如果這一幀沒有檢測到任何車，則將cars置空，減小誤差,設(shè)置初始變量null設(shè)為Truefor cnt in contours:x, y, w, h = cv.boundingRect(cnt)cx = int(x + w / 2)cy = int(y + h / 2)if 300<int(y+(h/2))<800 and 400<int(x+(w/2))<1800:if cv.contourArea(cnt) < 13000 or w < 100 or h < 100:continuenull = False #有車時不會清空new = True #是否創(chuàng)建車輛for i in cars:if abs(cx-i.c_x) <100 and abs(cy - i.c_y)<100:#找到這輛車與上一幀中最近的車# cv.putText(frame, 'cid:' + str(i.c_id), (x, y-10), cv.FONT_HERSHEY_COMPLEX, 1, (255, 0, 0), 2)# cv.putText(frame, "now_v:" + str('%.4f' % (i.c_v)) + 'm/s', (x, y-10),# cv.FONT_HERSHEY_COMPLEX, 1,# (255, 0, 0), 2)new = Falsei.updateCoords(cx,cy)#更新車輛位置信息if 700<=i.c_y<=720 and i.direction =='down' and i.c_count ==False:i.c_over_time = time.time()i.c_v = distance/(i.c_over_time - i.c_start_time)if i.c_v>max_v:max_v = i.c_vcount_down+=1i.c_count=Trueif 380<=i.c_y<=400 and i.direction =='up' and (i.c_count == False):i.c_over_time = time.time()i.c_v = distance/ (i.c_over_time - i.c_start_time)if i.c_v > max_v:max_v = i.c_vcount_up+=1i.c_count=Trueif i.c_y>720 or i.c_y<380:cars.remove(i) #超過一定范圍，刪除對象if new == True and 340<cy<760: #符合一定條件，創(chuàng)建對象start_time = time.time()p = Car(pid, cx, cy, 'unknow', False, start_time ,0,0)if p.c_x <1000:p.direction = 'down'else:p.direction = 'up'cars.append(p)pid += 1cv.circle(frame, (cx, cy), 5, (0, 0, 255), -1)cv.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 3)if null == True: #該幀沒車，清空carscars = []# cv.putText(frame, 'cars:' + str(len(cars)), (100, 100), cv.FONT_HERSHEY_COMPLEX, 2, (255, 0, 0), 3)cv.imshow("frame",frame)out.write(frame)#cv.imshow('frame2', image3)# print(max_v*3.6)k = cv.waitKey(30) & 0xffif k == 27:break vc.release() cv.destroyAllWindows()

6.聯(lián)系方式

有問題歡迎聯(lián)系我：
視頻刪掉了，好像是從優(yōu)酷還是騰訊視頻找的吧。
1759412770@qq.com
zn1759412770@163.com

總結(jié)

以上是生活随笔為你收集整理的Python + OpenCv实现视频中的车辆检测计数（车流量统计） （2020.7.15已更新源码）的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。