车辆统计项目具体流程
【OpenCV：09车辆统计项目】效果图：
涉及到的内容大体流程
1. 加载视频
2. 通过形态学识别车辆
3. 对车辆进行统计
4. 显示车辆统计信息
知识补充 背景减除
背景减除（ ） 是许多基于计算机视觉的任务中主要的预处理步骤 。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取到前景对象 。
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，由于阴影也在移动，情况会变得更加复杂，为此引入背景减除算法 。
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
具体流程 视频加载
关键API：打开摄像头cap = cv2.('./video.mp4')；读取数据 ret,frame = cap.read()
# 先进行视频加载 ——> 将视频中的每一帧加载进来import cv2import numpy as np# cap = cv2.VideoCapture(0) # 0表示调用摄像头cap = cv2.VideoCapture('./video.mp4')# 循环读取视频帧while True :ret,frame = cap.read()#如果成功读取到一帧数据if ret == True:cv2.imshow('video',frame) # 展示这一帧数据到窗口# 退出key = cv2.waitKey(1) # 每隔1ms接受用户按下的按键# 用户按‘ESC’即可退出if key == 27:break# 最后别忘了释放资源cap.release()cv2.destroyAllWindows()
去除背景
文章插图
会把不会动的东西（蓝天白云…）分辨出背景；把会动的东西（车辆、行人…）叫做前景
由于我们要检测会动的车辆（前景），所以要把不会动的背景去除掉，用到了背景减除（ ） ——>效果是： 动的东西（前景）会变成白色 ；不动的东西（背景）会变成黑色
关键API：cv2.() # 直接用 不用写参数
# 去背景 ——> opencv把不会动的东西（蓝天白云...）叫做背景，把会动的（车辆，行人...）叫做前景# 示例import cv2import numpy as np# cap = cv2.VideoCapture(0) # 0表示调用摄像头cap = cv2.VideoCapture('./video.mp4') # 调用视频# 创建一个MOG对象mog = cv2.createBackgroundSubtractorMOG2() # 直接用 不用写参数while True:ret,frame = cap.read()if ret == True :fgmask = mog.apply(frame) # 将前景掩码 "fgmask" 运用到这一帧图像上cv2.imshow('video',fgmask) # 显示识别到的前景fgmask(不是写frame！)# 退出key = cv2.waitKey(100) # 每隔1ms接受用户按下的按键# 用户按‘ESC’即可退出if key == 27:break# 最后别忘了释放资源cap.release()cv2.destroyAllWindows()# 结果：动的东西（前景）会变成白色 ；不动的东西（背景）会变成黑色结果：
形态学识别车辆
从去背景例程中，我们可以发现有很多白点（噪声），因此我们需要降噪
我们可以发现噪声比较均匀，不适合用中值滤波去除，而是用高斯滤波
关键API：cv2.(gray,(7,7),5)
降噪：
# 从去背景例程中，我们可以发现有很多白点（噪声），因此我们需要降噪import cv2import numpy as np# cap = cv2.VideoCapture(0) # 0表示调用摄像头# cap = cv2.VideoCapture('./video.mp4') # 调用视频cap = cv2.VideoCapture('./car.mp4') # 调用视频# 创建一个MOG对象mog = cv2.createBackgroundSubtractorMOG2() # 直接用 不用写参数# 使用opencv获取卷积核kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))# 取阈值，当图形轮廓小于阈值时排除掉（认为它不是车） ——> 只有长宽均大于阈值，才认为是一部车min_w = 90min_h = 90while True:ret,frame = cap.read()if ret == True :# 把原始帧进行灰度化，然后去噪gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)# 去噪（我们可以发现噪声比较均匀，不适合用中值滤波去除，而是用高斯滤波）blur = cv2.GaussianBlur(gray,(7,7),5)#blur = cv2.blur(gray,(3,3))# 去除背景fgmask = mog.apply(blur) # 将前景掩码 "fgmask" 运用到这一帧图像上# 腐蚀做进一步去噪erode = cv2.erode(fgmask,kernel)# 经过腐蚀后车也有些被腐蚀了！再膨胀回来dilate = cv2.dilate(erode,kernel,iterations = 2) # 做两次迭代，膨胀效果更明显（因为我们要求去噪，并不需要和原图一模一样，因此迭代次数可以不一样）# 我们发现有很多内部的小方块 ——> 怎么消除？# 闭运算close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)# 展示cv2.imshow('video',close) # 显示识别到的前景fgmask(不是写frame！)# 退出key = cv2.waitKey(1) # 每隔1ms接受用户按下的按键# 用户按‘ESC’即可退出if key == 27:break# 最后别忘了释放资源cap.release()cv2.destroyAllWindows()# 结果：动的东西（前景）会变成白色 ；不动的东西（背景）会变成黑色
- CRNN，Opencv，Pytorch 字符识别
- 统计学-点估计和区间估计
- 一 操作系统计算机操作系统概述
- 数据结构 C++实现 基于不同策略的英文单词的词频统计和检索系统
- 学习Opencv2.4.9---SVM支持向量机1
- 四 学习Opencv2.4.9---SVM支持向量机
- opencv——SVM参数详解
- 数学+统计+概率分布 R语言数据处理最基本的函数以及实际小案例
- 1976年中国突降罕见陨石雨。创三项世界纪录，其中一项尤为神奇！ 世界之最统计
- 2021年中国炭素行业主要企业收入统计 中国十大碳素企业