Projeto de detecção de fluxo de tráfego baseado em Opencv+python

Índice

Introdução ao Projeto

processo geral

ambiente de depuração

Fluxo do Projeto

1. Pré-processamento

2. Reconhecimento de carro - algoritmo de remoção de fundo (KNN/MOG2)

3. Conte o número de fluxos de tráfego

fim

Código fonte

Testar material de vídeo

fluxograma

Introdução ao Projeto

Este projeto utiliza principalmente métodos de visão tradicionais para detectar o tráfego na faixa e pode identificar com mais precisão o número de veículos na faixa. Devido às limitações dos próprios algoritmos de visão tradicionais, também haverá imprecisões no reconhecimento.

processo geral

Sem mais delongas, vamos falar primeiro das ideias e ir direto para o fluxograma.

Aqui, todos os parâmetros e variáveis predefinidos são chamados coletivamente de “macro”, e então cada quadro de imagem reconhecido é processado e, finalmente, a renderização ideal é obtida.

As renderizações são as seguintes:

ambiente de depuração

Caderno Jupyter (Anaconda)
Pitão 3.9.12
OpenCv 4.5.5

Fluxo do Projeto

1. Pré-processamento

        #灰度
        cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        #高斯去噪
        blur=cv2.GaussianBlur(frame,(5,5),5)
        mask=removebg.apply(blur)
        
        #腐蚀
        erode=cv2.erode(mask,kernel,iterations=2))#iteration=n 迭代n次
        #膨胀
        dilate=cv2.dilate(erode,kernel,iterations=2
        #cv2.imshow("x",dilate)
        dst=cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)

2. Reconhecimento de carro - algoritmo de remoção de fundo (KNN/MOG2)

Vamos primeiro apresentar o algoritmo KNN (porque o algoritmo usado desta vez é KNN)

O princípio de implementação do algoritmo de classificação do vizinho mais próximo KNN: para determinar a categoria de uma amostra desconhecida, todas as amostras de categorias conhecidas são usadas como referência, a distância entre a amostra desconhecida e todas as amostras conhecidas é calculada e as K amostras conhecidas mais próximos da amostra desconhecida são selecionados. , de acordo com a regra de votação majoritária, a amostra desconhecida e as K amostras vizinhas mais próximas são classificadas na mesma categoria.

No Opencv, o algoritmo KNN foi encapsulado, para que possamos chamá-lo diretamente.

#KNN算法去背景
removebg=cv2.createBackgroundSubtractorKNN()

MOG2 é um algoritmo de segmentação de primeiro plano/fundo baseado em uma mistura de modelos gaussianos. Os pixels de fundo são modelados usando uma mistura de K (K = 3 ou 5) distribuições gaussianas. Use o tempo em que essas cores estão presentes (durante todo o vídeo) como pesos para a mistura. A cor de fundo geralmente dura mais e é mais estática. Esta função possui alguns parâmetros opcionais, como o tempo de modelagem da cena, o número de componentes da mistura gaussiana, limites, etc. Defina todos eles com os valores padrão. Então, ao longo do vídeo, precisamos usar backgroundsubtractor.apply() para obter a máscara de primeiro plano. Os objetos em movimento serão marcados em branco e o fundo será marcado em preto. O método de uso é o mesmo acima, então não entrarei em detalhes aqui.

3. Conte o número de fluxos de tráfego

O método utilizado nesta estatística é: encontrar o ponto central da moldura retangular. Quando o ponto passa pela linha reta definida antecipadamente, o número de veículos +1

Função para calcular o ponto central:

def center(x,y,w,h):
    x1=int(w/2)
    y1=int(h/2)
    cx=x+x1
    cy=y+y1

A parte do código para contar o fluxo de tráfego:

 cpoint=center(x,y,w,h)
            cars.append(cpoint)#将中心点储存到cars数组中
            
            for (x,y) in cars:
                if(y>lineHeight-7 and y<lineHeight+7):
                    Car_nums +=1
                    cars.remove((x,y))
                    print(Car_nums)

Finalmente, após algum processamento simples, o projeto foi realizado.

fim

Código fonte anexado:

import cv2
import numpy as np
lineHeight=550
#穿过直线的车的数量
Car_nums=0
#储存中心坐标的数组
cars=[]
#KNN算法去背景
removebg=cv2.createBackgroundSubtractorKNN()
def center(x,y,w,h):
    x1=int(w/2)
    y1=int(h/2)
    cx=x+x1
    cy=y+y1
    
    return cx,cy

video=cv2.VideoCapture('D://video.mp4')

kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

while True:
    ret,frame=video.read()
    if(ret!=0):
        #灰度
        cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        #高斯去噪
        blur=cv2.GaussianBlur(frame,(5,5),5)
        mask=removebg.apply(blur)
        
        #腐蚀
        erode=cv2.erode(mask,kernel,iterations=2))#iteration=n 迭代n次
        #膨胀
        dilate=cv2.dilate(erode,kernel,iterations=2
        #cv2.imshow("x",dilate)
        dst=cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
        #cv2.imshow("x1",dst)
                          
        #画出检测线
        cv2.line(frame,(10,lineHeight),(1400,lineHeight),(255,0,0),2)
        counts,h=cv2.findContours(dst,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
        #遍历所有轮廓
        for(i,c) in enumerate(counts):
            (x,y,w,h)=cv2.boundingRect(c)
            
            if((w<=90) and (h<=90)):
                continue
            if(y<66):
                continue
            #将有效的车绘制出来
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)
            cpoint=center(x,y,w,h)
            cars.append(cpoint)#将中心点储存到cars数组中
            
            for (x,y) in cars:
                if(y>lineHeight-7 and y<lineHeight+7):
                    Car_nums +=1
                    cars.remove((x,y))
                    print(Car_nums)
        
        cv2.putText(frame,"Cars nums:"+str(Car_nums),(500,60),cv2.FONT_HERSHEY_DUPLEX,1,(255,0,0))
        cv2.imshow("video",frame)
        
    key=cv2.waitKey(1)
    if(key==27):
        break

video.release()
cv2.destroyAllWindows()

Em anexo está o material de vídeo de teste:

Link: https://pan.baidu.com/s/1u_hjCtL3FR6FzeEVQar7wg?pwd=2Y1p
Código de extração: 2Y1p