Python OpenCV车辆计数

时间:2022-06-02 woshicver 人气:2

介绍

本文，我们将使用欧几里德距离跟踪和轮廓的概念在 Python 中使用 OpenCV 构建车辆计数器系统。

对象追踪

对象跟踪是在视频中定位移动对象的过程。在 OpenCV 中有多种技术可以执行对象跟踪。可以针对 2 种情况执行对象跟踪：

跟踪单个对象
跟踪多个对象

在这里，我们将执行多对象跟踪方法，因为我们在一个时间范围内有多辆车。

流行的追踪算法

DEEP SORT：它是最广泛使用和非常有效的目标跟踪算法之一，它适用于 YOLO 目标检测，使用卡尔曼滤波器进行跟踪。

质心跟踪算法：质心跟踪算法是一种易于理解且非常有效的算法。这是一个多步骤的过程。

步骤 1：获取检测到的对象的边界框坐标并使用边界框的坐标计算质心。

步骤 2：对于每个后续帧，它使用边界框坐标计算质心，并为这些边界框分配一个 id，并计算每个可能的质心之间的欧几里德距离。

步骤 3：我们的假设是给定对象可能会在后续帧中移动，并且它们质心之间的欧几里德距离将是与其他对象相比的最小距离。

步骤 4：将相同的 ID 分配给后续帧之间的最小移动质心。

为了检测任何运动物体，我们可以用 frame(t) 减去 frame(t+1)。

对象跟踪的应用

因为计算机不断增长的计算能力，对象跟踪变得越来越先进。对象跟踪有一些主要的用例。

交通跟踪和避免碰撞。
人群追踪
无人在家时进行宠物追踪
导弹跟踪
空气画笔

实现欧几里得距离跟踪器

本文使用的所有代码的源文件和测试视频都可以通过这个链接下载

上面讨论的所有步骤都可以使用一些数学计算来执行

我们已经建立了一个名为EuclideanDistTracker对象跟踪的类。

import math
class EuclideanDistTracker:
    def __init__(self):
        # Storing the positions of center of the objects
        self.center_points = {}
        # Count of ID of boundng boxes
        # each time new object will be captured the id will be increassed by 1
        self.id_count = 0
    def update(self, objects_rect):
        objects_bbs_ids = []
        # Calculating the center of objects
        for rect in objects_rect:
            x, y, w, h = rect
            center_x = (x + x + w) // 2
            center_y = (y + y + h) // 2
            # Find if object is already detected or not
            same_object_detected = False
            for id, pt in self.center_points.items():
                dist = math.hypot(center_x - pt[0], center_y - pt[1])
                if dist < 25:
                    self.center_points[id] = (center_x, center_y)
                    print(self.center_points)
                    objects_bbs_ids.append([x, y, w, h, id])     
                    same_object_detected = True
                    break
           # Assign the ID to the detected object
           if same_object_detected is False:
               self.center_points[self.id_count] = (center_x, center_y)                      
               objects_bbs_ids.append([x, y, w, h, self.id_count])       
               self.id_count += 1
        # Cleaning the dictionary ids that are not used anymore
        new_center_points = {}
        for obj_bb_id in objects_bbs_ids:
            var,var,var,var, object_id = obj_bb_id
            center = self.center_points[object_id]
            new_center_points[object_id] = center
       # Updating the dictionary with IDs that is not used
       self.center_points = new_center_points.copy()
       return objects_bbs_ids

你可以创建一个名为tracker.py并粘贴跟踪器代码的文件，也可以使用此链接直接下载跟踪器文件。

update→更新方法需要一个包含所有边界框坐标的数组。
tracker 返回一个包含 [x,y,w,h, object_id] 的数组。这里 x,y,w,h 是边界框的坐标，object_id 是与该边界框关联的 id。

在准备好跟踪器文件后，我们需要实现我们的目标检测器，稍后我们将我们的跟踪器与目标检测器绑定。

加载库和视频

从我们已经创建的 tracker.py 文件中导入我们的 EuclideanDistTracker 类。

import cv2
import numpy as np
from tracker import EuclideanDistTracker
tracker = EuclideanDistTracker()
cap  = cv2.VideoCapture('highway.mp4')
ret, frame1 = cap.read()
ret, frame2 = cap.read()

cap.read()它返回帧和布尔值，我们需要捕获帧。

在OpenCV中获取视频帧

这个想法是获得两个后续帧之间的绝对差，以便检测移动对象。

while cap.isOpened():
    # ret, frame = cap.read()
    diff = cv2.absdiff(frame1, frame2)  
    # this method is used to find the difference bw two  frames
    gray = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5,5), 0 )
    # here i would add the region of interest to count the single lane cars
    height, width = blur.shape
    print(height, width)
    # thresh_value = cv2.getTrackbarPos('thresh', 'trackbar')
    _, threshold = cv2.threshold(blur, 23, 255, cv2.THRESH_BINARY)
    dilated = cv2.dilate(threshold, (1,1), iterations=1)
    contours, _, = cv2.findContours(dilated, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    detections = []
    # DRAWING RECTANGLE BOX (Bounding Box)
    for contour in contours:
        (x,y,w,h) = cv2.boundingRect(contour)
        if cv2.contourArea(contour) <300:
            continue
        detections.append([x,y,w,h])
    boxes_ids = tracker.update(detections)
    for box_id in boxes_ids:
        x,y,w,h,id = box_id
        cv2.putText(frame1, str(id),(x,y-15),  cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0,0,255), 2)
        cv2.rectangle(frame1, (x,y),(x+w, y+h), (0,255,0), 2)
        cv2.imshow('frame',frame1)
    frame1 = frame2
    ret, frame2 = cap.read()
    key = cv2.waitKey(30)
    if key == ord('q):
        break
cv2.destroyAllWindows()

cv2.absdiff 此方法用于获取两帧之间的绝对差。

得到帧差后将差值转换为灰度，然后应用阈值和轮廓检测。

找到的轮廓是所有运动物体的轮廓

为了避免所有的噪音，我们只采用那些尺寸大于 300 的轮廓。

boxes_ids 包含 (x,y,w,h,id)。

cv2.putText 用于在框架上写入 Id。

cv2.rectange() 用于绘制边界框。

输出：车辆计数器系统

结论

在本文中，我们讨论了对象跟踪的概念和对象跟踪的用例，即车辆计数器。

我们讨论了对象跟踪的一些应用，并讨论了质心跟踪算法中涉及的步骤，并将其用于车辆计数。

基于深度学习的对象跟踪算法（如用于 YOLO 对象检测的 DEEP SORT 算法）在我们的案例中执行得更准确。

加载全部内容