目录

一、加载视频

二、去除背景

三、通过形态学识别车辆

四、对车辆统计

---

一、加载视频

代码如下:

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 视频加载
cap = cv2.VideoCapture('2.mp4')

# 循环读取视频帧
while True:
    ret,frame = cap.read()
    if ret == True:
        cv2.imshow('video',frame)

    key = cv2.waitKey(1)
    # 用户按esc退出
    if key == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

二、去除背景

背景减除（Background Subtraction）是许多基于计算机视觉的任务中的主要预处理步骤，如果我们有完整的静止的背景帧，那么我们可以通过帧差法来计算像素差从而获得到前景对象。

但是在大多数情况下，我们可能没有这样的图像，所以我们需要从我们拥有的任何图像中提取背景。当运动物体有阴影时，由于阴影也在运动，情况会变的更加复杂，为此引入了背景减除法，通过这一方法我们能够从视频中分离出运动的物体前景，从而达到目标检测的目的。

cv2.BackgroundSubtractorMOG2()用法：

• 这是一个以混合高斯模型为基础的前景/背景分割算法。它是 P.KadewTraKuPong 和 R.Bowden 在2001年提出的。
• 它使用 K（K = 3 或 5）个高斯分布混合对背景像素进行建模。使用这些颜色（在整个视频中）存在时间的长短作为混合的权重。背景的颜色一般持续的时间最长，而且更加静止。
• 在编写代码时，我们需要使用函数：mog = cv2.bgsegm.createBackgroundSubtractorMOG() 创建一个背景对象。
• 这个函数有些可选参数，比如要进行建模场景的时间长度，高斯混合成分的数量，阈值等。将它们全部设置为默认值，然后在整个视频中我们是需要使用 mask = mog.apply(frame) 就可以得到前景的掩膜了。
• 移动的物体会被标记为白色，背景会被标记为黑色的。
   

代码如下:

cap = cv2.VideoCapture('video.mp4')

bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()

while True:
    ret, frame = cap.read()
    
    if(ret == True):
        # 灰度处理
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 高斯去噪
        blur = cv2.GaussianBlur(frame, (3, 3), 5)
        mask = bgsubmog.apply(blur)
        cv2.imshow('video', mask)
        
    key = cv2.waitKey(1)
    if(key == 27):                  # Esc退出
        break

cap.release()
cv2.destroyAllWindows()

 

三、通过形态学识别车辆

代码如下:

 

cap = cv2.VideoCapture('video.mp4')

bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()

# 形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

while True:
    ret, frame = cap.read()
    
    if(ret == True):
        # 灰度处理
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 高斯去噪
        blur = cv2.GaussianBlur(frame, (3, 3), 5)
        mask = bgsubmog.apply(blur)
        # 腐蚀
        erode = cv2.erode(mask, kernel)
        # 膨胀
        dilate = cv2.dilate(erode, kernel, 3)
        # 闭操作
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)
        
        contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE,)
        
        for (i, c) in enumerate(contours):
            (x, y, w, h) = cv2.boundingRect(c)
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0,0,255), 2)
            
        cv2.imshow('video', frame)
        
    
    key = cv2.waitKey(1)
    if(key == 27):                  # Esc退出
        break

cap.release()
cv2.destroyAllWindows()

 

 根据图中效果来看，会出现很多小的检测框，接下来就是处理重合检测框以及去掉一些多余的检测框，类似于去重

四、对车辆统计

import cv2
import numpy as np
import matplotlib.pyplot as plt


# 去除背景
cap = cv2.VideoCapture('2.mp4')

bgsubmog = cv2.bgsegm.createBackgroundSubtractorMOG()
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

min_w = 90
min_h = 90

line_high = 600
# 设置一个偏移量
offset = 7

cars = []
# 车的数量
car_num = 0
# 计算外接矩形的中心点
def center(x,y,w,h):
    x1 = int(w/2)
    y1 = int(h/2)
    cx = int(x) + x1
    cy = int(y) + y1
    return cx,cy
while True:
    ret, frame = cap.read()

    if (ret == True):
        # 灰度处理
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 高斯去噪
        blur = cv2.GaussianBlur(gray, (3, 3), 5)
        mask = bgsubmog.apply(blur)
        # cv2.imshow('video', mask)

        #腐蚀操作
        erode = cv2.erode(mask,kernel)
        # 膨胀
        dialte = cv2.dilate(erode,kernel,iterations=2)
        # 消除内部方块
        # 闭运算(先膨胀再腐蚀)
        close = cv2.morphologyEx(dialte,cv2.MORPH_CLOSE,kernel)

        #查找轮廓
        result,contours,h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

        # 画出检测线
        cv2.line(frame,(10,line_high),(1200,line_high),(255,255,0),3)

        #画出所有检测的轮廓
        for contour in contours:
            #画出最大外接矩形
            (x,y,w,h) = cv2.boundingRect(contour)
            # 判断外接矩形的宽高大小来过滤掉小矩形
            is_valid = (w >= min_w) & (h >= min_h)
            if not is_valid:
                continue
            #代码能走到这表示是符合要求的车
            # 要求坐标点都是整数
            # 画出矩形
            cv2.rectangle(frame,(int(x),int(y)),(int(x+w),int(y+h)),(0,0,255),2)

            # 把车抽象为一点，即外接矩形的中心点
            cpoint = center(x,y,w,h)
            cars.append(cpoint)
            cv2.circle(frame,(cpoint),5,(0,0,255),-1)
            # 判断汽车是否过检测线
            for (x,y) in cars:
                if y > (line_high - offset) and y < (line_high + offset):
                    #落入有效区间
                    #计数+1
                    car_num+=1
                    cars.remove((x,y))
        cv2.putText(frame,'Vehicle Count:' + str(car_num),(500,60),cv2.FONT_HERSHEY_SIMPLEX,2,(0,0,255),5)
        cv2.imshow('frame',frame)



    key = cv2.waitKey(1)
    if (key == 27):  # Esc退出
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

运行结果如下: