传统图像处理方法实现车辆计数
创始人
2024-05-28 16:12:08
0

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 
#include 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 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 hierarchy;std::vector> contours;cv::findContours(image, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);std::vector 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 
#include 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 get_centers(std::vector detections)
{std::vector 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 detections_center_old;std::vector detections_center_new;cv::Ptr 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 hierarchy;std::vector> contours;cv::findContours(image, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);std::vector 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 DEBUGstd::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 DEBUGstd::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 // DEBUGstd::vector> distance_matrix(detections_center_new.size(), std::vector(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 DEBUGstd::cout << "min_index:" << std::endl;
#endif // DEBUGstd::vector min_indices(detections_center_new.size());for (size_t i = 0; i < detections_center_new.size(); i++){std::vector 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 DEBUGstd::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 DEBUGstd::cout << p1 << " " << p2 << std::endl;
#endif // DEBUGif (is_cross(p1, p2)){
#ifdef DEBUGstd::cout << "is_cross" << p1 << " " << p2 << std::endl;
#endif // DEBUGcount++;}}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。

相关内容

热门资讯

学生会联谊活动方案 学生会联谊活动方案   为了确保事情或工作科学有序进行,常常需要提前准备一份具体、详细、针对性强的方...
当一个顾客想购买石榴石,你会怎... 当一个顾客想购买石榴石,你会怎样介绍产品,并促销成功 你要向顾客介绍一下这个产品的好处和意义什么的...
工作人员骂游客傻子?景区致歉:... 本文来自微信公众号“大象新闻”7月5日,银川贺兰山文化旅游开发有限公司发布情况说明:有网民反映贺兰山...
松柏岭石有什么特点嘛?它主要被... 松柏岭石有什么特点嘛?它主要被用来做什么?松柏岭石产于松柏岭,松柏岭位于旗降山以北1.5公里处的,属...
雄安新区:“三楼”模式服务疏解 转自:邯郸网络广播电视台新华社客户端河北频道7月4日电(记者龚璟璐)雄安商务服务中心作为雄安新区承接...
队伍不断壮大,爆款作品日益增多... 近日,由广西作家协会主办的广西网络文学创作交流活动于7月2日至4日在南宁举行。此次活动不仅全面展示了...
河南郑州以“数算”冲击“AI之... 转自:中国发展网中新社郑州7月5日电 (记者 阚力)连日来,中豫具身智能实验室执行主任李清都带着团队...
美国得州洪灾逾20名儿童失踪 转自:京报网_北京日报官方网站 【#美国得州洪灾逾20名...
研究人员首次记录到缓慢滑移地震...   炒股就看金麒麟分析师研报,权威,专业,及时,全面,助您挖掘潜力主题机会! IT之家 7 月 5...
下午去买儿童理发器,有没有一起... 下午去买儿童理发器,有没有一起的?想买这个理发器,有没有一起买的呀?松下今年的最新款,150块钱,在...