传统图像处理方法实现车辆计数

news/2024/7/21 5:26:30 标签: 图像处理, opencv, 计算机视觉

本文通过传统OpenCV图像处理方法实现单向行驶的车辆计数。用于车辆检测的视频是在https://www.bilibili.com/video/BV1uS4y1v7qN/?spm_id_from=333.337.search-card.all.click里面下载的。

思路一：来自B站某教程。大致是在视频中选取一窄长条区域，统计每帧图像中车辆检测框的中心点落入该区域的数量求和。在实现中发现该方法受限于窄长条区域的位置和高度和设置，计数效果也不好。

具体实现步骤如下：
Step1 读取视频每帧，做高斯滤波、阈值分割等处理；
Step2 背景差分，可以使用MOG或者KNN等算法；
Step3 图像形态学处理；
Step4 车辆连通域轮廓提取；
Step5 计算各个连通域的中心坐标，若落在指定区域则计数加1。
该方法思路还是很清晰的，其中包含大量传统图像处理方法，适合初学者用来练手。

一个可能的功能实现编码展示如下：

#include <iostream>
#include <opencv2/opencv.hpp>


const int IMAGE_WIDTH = 1280;
const int IMAGE_HEIGHT = 720;
const int LINE_HEIGHT = IMAGE_HEIGHT / 2;
const int MIN_CAR_WIDTH = 80;
const int MIN_CAR_HEIGHT = 40;
const int OFFSET = 6;
const int KSIZE = 9;


//计算检测框的中心
cv::Point get_center(cv::Rect detection)
{
	return cv::Point(detection.x + detection.width / 2, detection.y + detection.height / 2);
}


int main(int argc, char** argv)
{
	cv::VideoCapture capture("test.mp4");
	cv::Mat frame, image;
	cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(KSIZE, KSIZE));

	int frame_num = 0;
	int count = 0;
	cv::Ptr<cv::BackgroundSubtractor> mogSub = cv::createBackgroundSubtractorKNN(5, 50);

	while (cv::waitKey(20) < 0)
	{
		capture >> frame;
		if (frame.empty())
			break;

		frame_num ++;

		cv::GaussianBlur(frame, image, cv::Size(KSIZE, KSIZE), KSIZE);
		cv::threshold(image, image, 100, 255, cv::THRESH_BINARY);

		mogSub->apply(image, image);
		if (frame_num < 5)
			continue;

		cv::morphologyEx(image, image, cv::MORPH_ERODE, kernel);
		cv::morphologyEx(image, image, cv::MORPH_DILATE, kernel, cv::Point(-1,-1), 3);
		cv::morphologyEx(image, image, cv::MORPH_CLOSE, kernel);
		cv::morphologyEx(image, image, cv::MORPH_CLOSE, kernel);

		std::vector<cv::Vec4i> hierarchy;
		std::vector<std::vector<cv::Point>> contours;
		cv::findContours(image, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);

		std::vector<cv::Point> center_points;
		for (size_t i = 0; i < contours.size(); ++i)
		{
			cv::Rect rect = cv::boundingRect(cv::Mat(contours[i]));

			if (rect.width < MIN_CAR_WIDTH || rect.height < MIN_CAR_HEIGHT)
				continue;

			cv::Point center_point = get_center(rect);
			center_points.push_back(center_point);

			for (auto p : center_points)
			{
				if (p.y > LINE_HEIGHT - OFFSET && p.y < LINE_HEIGHT + OFFSET)
					count++;
			}

			cv::rectangle(image, rect, cv::Scalar(255, 0, 0), 1);
		}

		cv::cvtColor(image, image, cv::COLOR_GRAY2BGR);
		cv::putText(image, "car num: " + std::to_string(count), cv::Point(20, 50), cv::FONT_HERSHEY_SIMPLEX, 0.7, cv::Scalar(0, 0, 255), 1);
		cv::line(image, cv::Point(0, LINE_HEIGHT), cv::Point(IMAGE_WIDTH, LINE_HEIGHT), cv::Scalar(0, 0, 255));
		cv::imshow("output", image);
	}

	capture.release();
	return 0;
}

视频中向上通行的车辆一共52辆，但是该算法统计出60辆，误差还是不小的。由于效果一般，就不展示动图结果了。

思路二：除了Step5和思路一不一样之外其他相同。把落在指定区域则计数增加改为撞线计数法。
撞线计数法的步骤如下：
（1）计算初识检测框的中心点，
（2）读取视频的后续帧，计算新目标和上一帧图像中检测框中心点的距离矩阵；
（3）通过距离矩阵确定新旧目标检测框之间的对应关系；
（4）计算对应新旧目标检测框中心点之间的连线，判断和事先设置的虚拟撞线是否相交，若相交则计数加1。

一个可能的功能实现编码展示如下：

#include <iostream>
#include <opencv2/opencv.hpp>


const int IMAGE_WIDTH = 1280;
const int IMAGE_HEIGHT = 720;
const int LINE_HEIGHT = IMAGE_HEIGHT / 2;
const int MIN_CAR_WIDTH = 80;
const int MIN_CAR_HEIGHT = 40;
const int KSIZE = 9;


//计算检测框的中心
std::vector<cv::Point> get_centers(std::vector<cv::Rect> detections)
{
	std::vector<cv::Point> detections_centers(detections.size());
	for (size_t i = 0; i < detections.size(); i++)
	{
		detections_centers[i] = cv::Point(detections[i].x + detections[i].width / 2, detections[i].y + detections[i].height / 2);
	}

	return detections_centers;
}


//计算两点间距离
float get_distance(cv::Point p1, cv::Point p2)
{
	return sqrt(pow(p1.x - p2.x, 2) + pow(p1.y - p2.y, 2));
}


//判断连接相邻两帧对应检测框中心的线段是否与红线相交
bool is_cross(cv::Point p1, cv::Point p2)
{
	return (p1.y <= LINE_HEIGHT && p2.y > LINE_HEIGHT) || (p1.y > LINE_HEIGHT && p2.y <= LINE_HEIGHT);
}


int main(int argc, char** argv)
{
	cv::VideoCapture capture("test.mp4");
	cv::Mat frame, image;
	cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(KSIZE, KSIZE));

	int frame_num = 0;
	int count = 0;
	std::vector<cv::Point> detections_center_old;
	std::vector<cv::Point> detections_center_new;
	cv::Ptr<cv::BackgroundSubtractor> mogSub = cv::createBackgroundSubtractorKNN(5, 50);

	while (cv::waitKey(20) < 0)
	{
		capture >> frame;
		if (frame.empty())
			break;

		frame_num++;

		cv::GaussianBlur(frame, image, cv::Size(KSIZE, KSIZE), KSIZE);
		cv::threshold(image, image, 100, 255, cv::THRESH_BINARY);

		mogSub->apply(image, image);

		if (frame_num < 6)
			continue;

		cv::morphologyEx(image, image, cv::MORPH_ERODE, kernel);
		cv::morphologyEx(image, image, cv::MORPH_DILATE, kernel, cv::Point(-1, -1), 3);
		cv::morphologyEx(image, image, cv::MORPH_CLOSE, kernel);
		cv::morphologyEx(image, image, cv::MORPH_CLOSE, kernel);

		std::vector<cv::Vec4i> hierarchy;
		std::vector<std::vector<cv::Point>> contours;
		cv::findContours(image, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);

		std::vector<cv::Rect> detections;
		for (size_t i = 0; i < contours.size(); ++i)
		{
			cv::Rect detection = cv::boundingRect(cv::Mat(contours[i]));	
			detections.push_back(detection);
			if (detection.y + detection.height > LINE_HEIGHT)
			{
				cv::rectangle(frame, detection, cv::Scalar(255, 0, 0), 1);
			}
		}

		if (frame_num == 6)
		{
			detections_center_old = get_centers(detections);

#ifdef DEBUG
			std::cout << "detections_center:" << std::endl;
			for (size_t i = 0; i < detections_center_old.size(); i++)
			{
				std::cout << detections_center_old[i] << std::endl;
			}
#endif // DEBUG
		}
		else if (frame_num % 2 == 0)
		{
			detections_center_new = get_centers(detections);

#ifdef DEBUG
			std::cout << "detections_center:" << std::endl;
			for (size_t i = 0; i < detections_center_new.size(); i++)
			{
				std::cout << detections_center_new[i] << std::endl;
			}
#endif // DEBUG

			std::vector<std::vector<float>> distance_matrix(detections_center_new.size(), std::vector<float>(detections_center_old.size())); //距离矩阵
			for (size_t i = 0; i < detections_center_new.size(); i++)
			{
				for (size_t j = 0; j < detections_center_old.size(); j++)
				{
					distance_matrix[i][j] = get_distance(detections_center_new[i], detections_center_old[j]);
				}
			}

#ifdef DEBUG
			std::cout << "min_index:" << std::endl;
#endif // DEBUG

			std::vector<float> min_indices(detections_center_new.size());
			for (size_t i = 0; i < detections_center_new.size(); i++)
			{
				std::vector<float> distance_vector = distance_matrix[i];
				float min_val = *std::min_element(distance_vector.begin(), distance_vector.end());
				int min_index = -1;
				if (min_val < LINE_HEIGHT / 5)
					min_index = std::min_element(distance_vector.begin(), distance_vector.end()) - distance_vector.begin();

				min_indices[i] = min_index;
#ifdef DEBUG
				std::cout << min_index << " ";
#endif // DEBUG
			}
			std::cout << std::endl;

			for (size_t i = 0; i < detections_center_new.size(); i++)
			{
				if (min_indices[i] < 0)
					continue;

				cv::Point p1 = detections_center_new[i];
				cv::Point p2 = detections_center_old[min_indices[i]];

#ifdef DEBUG
				std::cout << p1 << " " << p2 << std::endl;
#endif // DEBUG

				if (is_cross(p1, p2))
				{
#ifdef DEBUG
					std::cout << "is_cross" << p1 << " " << p2 << std::endl;
#endif // DEBUG
					count++;
				}
			}

			detections_center_old = detections_center_new;
		}

		cv::putText(frame, "car num: " + std::to_string(count), cv::Point(20, 50), cv::FONT_HERSHEY_SIMPLEX, 2, cv::Scalar(0, 0, 255), 2);
		cv::line(frame, cv::Point(0, LINE_HEIGHT), cv::Point(IMAGE_WIDTH, LINE_HEIGHT), cv::Scalar(0, 0, 255));
		cv::imshow("output", frame);
	}

	capture.release();
	return 0;
}

效果展示如下：
在这里插入图片描述
可以看到检测框并不准确，会偏大偏小，还会和主体一分为二，这和传统算法预处理的局限性有关，即不具备普适性和鲁棒性。改进后的思路二检出55辆车，比思路一有一定提升。
在两百行C++代码实现yolov5车辆计数部署（通俗易懂版）中，我们可以看到强大的深度学习工具对车辆计数问题的精度带来巨大的提升。


http://www.niftyadmin.cn/n/118015.html

相关文章

在GIS系统中空间直角坐标系、大地坐标、平面坐标含义

在GIS系统中空间直角坐标系、大地坐标、平面坐标含义

1.简要说明 在GIS系统中&#xff0c;空间直角坐标系、大地坐标和平面坐标通常被用来表示和处理地理空间数据。 空间直角坐标系是用于描述三维地理空间数据的坐标系&#xff0c;通常使用笛卡尔坐标系表示。GIS系统通常使用一种特定的空间直角坐标系来表示数据&#xff0c;例如…
阅读更多...
四川大学软件学院｜系统级编程期末复习

四川大学软件学院｜系统级编程期末复习

概述 选择题 50 分&#xff08;原题率 80%&#xff09;&#xff1a;http://tieba.baidu.com/p/1250021454?&share9105&frsharewise&unique967707B1DAECEF4A785B61D29AF36950&st1639102957&client_type1&client_version12.10.1&sfccopy&share…
阅读更多...
从测试鸡蛋硬度到跳表的设计

从测试鸡蛋硬度到跳表的设计

我回忆起六七年前的一道题鸡蛋掉落问题&#xff0c;有幸在leetCode上找到题目了 原题是2枚鸡蛋 leetCode有拓展&#xff0c;k枚鸡蛋 具体的思路是这样的。 以2枚鸡蛋验证100层为例 不能直接二分查找&#xff0c;因为你在50层测试时&#xff0c;如果直接鸡蛋碎了&#xff0c;那…
阅读更多...
Web3中文｜值得了解：Web3的成功离不开什么？

Web3中文｜值得了解：Web3的成功离不开什么？

即使受到负面新闻和部门监管的打击&#xff0c;区块链仍然是Web3应用程序开发、生态发展和主流采用的关键。围绕区块链技术的潜在用例及应用有很多争论&#xff0c;而最近相关讨论似乎已经进入了白热化的阶段。随着监管机构打击质押服务、禁止稳定币交易&#xff0c;以及对NFT支…
阅读更多...
Linux命令行安装Oracle19c

Linux命令行安装Oracle19c

安装 下载 从 Oracle官方下载地址 需要的版本&#xff0c;本次安装是在Linux上使用yum安装&#xff0c;因此下载的是RPM。另外&#xff0c;需要说明的是&#xff0c;Oracle加了锁的下载需要登录用户才能安装&#xff0c;而用户是可以免费注册的&#xff0c;这里不做过多说明。 …
阅读更多...
WebRTC → 多人通讯架构浅析

WebRTC → 多人通讯架构浅析

1、一对一通信模型一对一通信中&#xff0c;WebRTC会先尝试两个终端之间是否可以通过P2P直接进行通信&#xff0c;无法通信时会通过STUN/TURN服务器进行中转&#xff1b;其中STUN/TURN服务器的作用在不能直连时是中继服务器&#xff0c;通过该服务器进行端到端之间的数据中转&a…
阅读更多...
【Qt】元属性内存管理探究及QObjectQMetaObject关系

【Qt】元属性内存管理探究及QObjectQMetaObject关系

背景&#xff1a; 学习qt元对象系统&#xff0c;尤其是元属性一块。发现可以用Q_PROPERTY快速定义getter和setter方法&#xff0c;十分方便。且元属性提供了一个非常有用且强大的功能——动态属性。 我们可以通过在运行中添加用户属性&#xff0c;以达到实时增加数据的作用。因…
阅读更多...
【spring】spring5特性

【spring】spring5特性

1、整个 Spring5 框架的代码基于 Java8&#xff0c;运行时兼容 JDK9&#xff0c;许多不建议使用的类和方 法在代码库中删除 日志框架 2、Spring 5.0 框架自带了通用的日志封装 &#xff08;1&#xff09;Spring5 已经移除 Log4jConfigListener&#xff0c;官方建议使用 Log4j…
阅读更多...
最新文章

Copyright @ 2022~2023