目录
项目介绍
整体流程
调试环境
项目流程
1.预处理
2.汽车识别——去背景算法（KNN/MOG2）
3.统计车流量数目
结尾
源代码
测试视频资料
流程图
项目介绍
本次项目主要采用了传统视觉的方法，对车道车流实现检测，能较为准确的识别出来车道上的车辆数目。由于传统视觉算法本身的局限性，因此也会有识别不准的地方。
整体流程
话不多说，先讲思路，直接上流程图
这里把所有预先设定的参数和变量统一称为了“宏”，然后对识别到的每一帧图像进行处理，最后得到理想的效果图。
效果图如下：
调试环境
- Jupyter Notebook(Anaconda)
- Python 3.9.12
- OpenCv 4.5.5
项目流程
1.预处理
#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.汽车识别——去背景算法（KNN/MOG2）
先介绍KNN算法（因为本次采用的算法为KNN）
KNN最邻近分类算法的实现原理：为了判断未知样本的类别，以所有已知类别的样本作为参照，计算未知样本与所有已知样本的距离，从中选取与未知样本距离最近的K个已知样本，根据少数服从多数的投票法则（majority-voting），将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
在Opencv中，KNN算法已经被封装好了，所以我们直接调用就可以。
#KNN算法去背景
removebg=cv2.createBackgroundSubtractorKNN()MOG2是一个以混合高斯模型为基础的前景/背景分割算法。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。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。将他们全部设置为默认值。然后在整个视频中我们是需要使用backgroundsubtractor.apply() 就可以得到前景的掩模了。移动的物体会被标记为白色，背景会被标记为黑色的。使用方法同上，在此不过多赘述。
3.统计车流量数目
本次统计采用的方法为：找到矩形框的中心点经，当该点经过提前所设定好的直线时，车辆数+1
计算中心点的函数:
def center(x,y,w,h):
x1=int(w/2)
y1=int(h/2)
cx=x+x1
cy=y+y1统计车流量的代码部分：
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)最后在经过一些简单的处理，该项目就实现了。文章来源：https://www.toymoban.com/news/detail-447792.html
结尾
附源代码：
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() 附上测试视频资料：
链接：https://pan.baidu.com/s/1u_hjCtL3FR6FzeEVQar7wg?pwd=2Y1p
提取码：2Y1p文章来源地址https://www.toymoban.com/news/detail-447792.html
较为形象的流程图：
到了这里，关于基于Opencv+python的车流量检测项目的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
