概述

在本文中，我們將編寫(xiě)一個(gè)車(chē)輛計(jì)數(shù)和檢測(cè)系統(tǒng)。我們將使用OpenCV進(jìn)行所有圖像處理操作，并制作用于分類(lèi)汽車(chē)和公交車(chē)的 haar 級(jí)聯(lián)分類(lèi)器，還可以制作你自己的 haar 級(jí)聯(lián)分類(lèi)器。

范圍

1. 幫助交警：車(chē)輛檢測(cè)和計(jì)數(shù)系統(tǒng)對(duì)交警來(lái)說(shuō)是有益的，因?yàn)樗麄兛梢詮囊粋�(gè)地方監(jiān)控的所有東西，只需要知道有多少車(chē)輛和哪些車(chē)輛通過(guò)了這個(gè)收費(fèi)站。

2. 維護(hù)記錄：由于車(chē)輛實(shí)時(shí)經(jīng)過(guò)，因此某些人很難記錄所有車(chē)輛。這不像一個(gè)人正在觀看視頻，他們可以暫停它并對(duì)其進(jìn)行注釋?zhuān)�因此為了消除此限制，此�?yīng)用程序可以非常熟練地以達(dá)到節(jié)省時(shí)間并實(shí)現(xiàn)自動(dòng)化。

3. 交通監(jiān)控：由于此應(yīng)用程序可以安裝在任何地方，因?yàn)樗�只需要一個(gè)攝像頭或一些電線（用于建立與中央系統(tǒng)的連接），因此如果某個(gè)地方的交通量很大，那么在該區(qū)域，員工可以對(duì)其進(jìn)行監(jiān)控并將信息轉(zhuǎn)發(fā)給下一位收費(fèi)員，以便他們提前做好準(zhǔn)備。

導(dǎo)入所需的庫(kù)

＃ Import libraries

from PIL import Image

import cv2

import numpy as np

import requests

接下來(lái)，我們將從互聯(lián)網(wǎng)上獲取圖像。然后我們將調(diào)整圖像大小并將其轉(zhuǎn)換為 NumPy 數(shù)組。

從 URL 讀取圖像

image ＝ Image．open（requests．get（＇https：／／a57．foxnews．com／media．foxbusiness．com／BrightCove／854081161001／201805／2879／931／524／854081161001＿5782482890001＿5782477388001－vs．jpg＇， stream＝True）．raw）

image ＝ image．resize（（450，250））

image＿arr ＝ np．a(chǎn)rray（image）

image

輸出：

為了獲得更好的輸出，我們將對(duì)圖像進(jìn)行一些轉(zhuǎn)換。在這里，我們將圖像轉(zhuǎn)換為灰度。

灰度

grey ＝ cv2．cvtColor（image＿arr，cv2．COLOR＿BGR2GRAY）

Image．fromarray（grey）

輸出：

接下來(lái)，我們將應(yīng)用高斯模糊去除圖像中的噪聲。

高斯模糊是圖像處理的技術(shù)之一。它也廣泛用于圖形設(shè)計(jì)，用于降低噪聲和平滑圖像，以便進(jìn)行進(jìn)一步的預(yù)處理，從而產(chǎn)生更好的輸出。

除了減少圖像中的噪聲，高斯模糊技術(shù)還減少了圖像的細(xì)節(jié)。為了應(yīng)用這種預(yù)處理技術(shù)，我們將使用 GaussianBlur（） 函數(shù)。

高斯模糊

blur ＝ cv2．GaussianBlur（grey，（5，5），0）

Image．fromarray（blur）

輸出：

在這里，我們將應(yīng)用圖像膨脹，膨脹是一種形態(tài)學(xué)技術(shù)，我們嘗試用元素填充像素，也稱(chēng)為內(nèi)核（結(jié)構(gòu)化塊），以在需要時(shí)填充圖像的缺失部分。

注意：它與腐蝕正好相反。膨脹

dilated ＝ cv2．dilate（blur，np．ones（（3，3）））

Image．fromarray（dilated）

輸出：

現(xiàn)在我們將使用內(nèi)核執(zhí)行形態(tài)學(xué)轉(zhuǎn)換。在這里，我們使用了一種Morphology－Ex技術(shù)，它告訴函數(shù)需要對(duì)其進(jìn)行哪些圖像處理操作。

第二個(gè)參數(shù)是關(guān)于必須完成哪些操作，你 可能需要橢圓／圓形內(nèi)核。為了使用 OpenCV 實(shí)現(xiàn) Morphology－Ex 方法，我們將使用 getStructuringElement 方法。

Morphology－Ex，結(jié)構(gòu)元素

kernel ＝ cv2．getStructuringElement（cv2．MORPH＿ELLIPSE， （2， 2））

closing ＝ cv2．morphologyEx（dilated， cv2．MORPH＿CLOSE， kernel） 

Image．fromarray（closing）

使用汽車(chē)級(jí)聯(lián)檢測(cè)汽車(chē)

現(xiàn)在我們需要一個(gè)汽車(chē)級(jí)聯(lián)來(lái)檢測(cè)汽車(chē)。所以，我們首先需要將它們上傳到collab（如果你是在collab里做的），如果你是在本地機(jī)器里做的，那就把cascade文件添加到同一個(gè)文件夾中，并指定路徑 car＿cascade＿src。

這里我們將使用 CascadeClassifier 函數(shù)，即 OpenCV 的預(yù)定義函數(shù)，從預(yù)訓(xùn)練的 XML 文件（級(jí)聯(lián)文件 － 汽車(chē)）中訓(xùn)練圖像。我們需要檢測(cè)多個(gè)對(duì)象，即汽車(chē)，才能使用 detectMultiScale。

car＿cascade＿src ＝ ＇cars．xml＇

car＿cascade ＝ cv2．CascadeClassifier（car＿cascade＿src）

cars ＝ car＿cascade．detectMultiScale（closing， 1．1， 1）

cars

輸出：

array（［［376，   1，  22，  22］，
                      ［307，   4，  27，  27］，
                      ［196，  10，  28，  28］，
                      ［ 35，   2，  30，  30］，
                      ［150， 163，  68，  68］，
                      ［318， 121，  82，  82］，
                      ［101，   3，  43，  43］，
                      ［317，  66，  66，  66］，
                      ［274，  20，  38，  38］，
                      ［256，  52，  79，  79］，
                      ［245，  24，  20，  20］，
                      ［250，  35，  25，  25］，
                      ［ 63，  40，  22，  22］，
                      ［209，  88，  54，  54］，
                      ［ 13，  25，  43，  43］，
                      ［384，  84，  59，  59］，
                      ［145，  91，  53，  53］，
                      ［ 52，  44，  39，  39］，
                      ［237，  38，  49，  49］，
                      ［362，  43，  46，  46］，
                      ［268， 106，  60，  60］］， dtype＝int32）

我們將使用上面返回的輪廓并在檢測(cè)到的汽車(chē)周?chē)�繪制一個(gè)矩形。

在這里，我們將看到它將在檢測(cè)到的每輛車(chē)周?chē)鷦?chuàng)建一個(gè)帶有紅色邊框的矩形。

cnt ＝ 0

for （x，y，w，h） in cars：

      cv2．rectangle（image＿arr，（x，y），（x＋w，y＋h），（255，0，0），2）

      cnt ＋＝ 1

print（cnt， ＂ cars found＂）

Image．fromarray（image＿arr）

輸出：

21  cars found

公交車(chē)檢測(cè)

現(xiàn)在我們將使用另一個(gè)圖像，即公交車(chē)圖像，我們將從互聯(lián)網(wǎng)上獲取該圖像。我們將調(diào)整圖像大小，將其存儲(chǔ)為 NumPy 數(shù)組，并將其轉(zhuǎn)換為灰度。

＃ Reading image form url

image2 ＝ Image．open（requests．get（＇https：／／qph．fs．quoracdn．net／main－qimg－b5c4e39dcd48dddd9e609e6022f74d85＇， stream＝True）．raw）

image2 ＝ image2．resize（（450，250））

image＿arr2 ＝ np．a(chǎn)rray（image2）

grey2 ＝ cv2．cvtColor（image＿arr2，cv2．COLOR＿BGR2GRAY）

我們?cè)谶@里處理公交車(chē)圖像，所以我們需要級(jí)聯(lián)來(lái)檢測(cè)公交車(chē)。我們將使用Bus＿front 級(jí)聯(lián)從圖像中識(shí)別公交車(chē)，我們將執(zhí)行與上述類(lèi)似的操作。

bus＿cascade＿src ＝ ＇Bus＿front．xml＇

bus＿cascade ＝ cv2．CascadeClassifier（bus＿cascade＿src）

bus ＝ bus＿cascade．detectMultiScale（grey2， 1．1， 1）

正如我們?cè)谄��?chē)級(jí)聯(lián)中所做的類(lèi)似，我們將對(duì)公交車(chē)圖像執(zhí)行相同的輪廓操作，并在檢測(cè)到任何公交車(chē)時(shí)在公交車(chē)周?chē)鷦?chuàng)建一個(gè)矩形。

cnt ＝ 0

for （x，y，w，h） in bus：

        cv2．rectangle（image＿arr2，（x，y），（x＋w，y＋h），（255，0，0），2）

        cnt ＋＝ 1

print（cnt， ＂ bus＇s found＂）

Image．fromarray（image＿arr2）

輸出：

1  bus＇s found

現(xiàn)在我們將在視頻中執(zhí)行車(chē)輛檢測(cè)和計(jì)數(shù)。

為了從幀或圖像創(chuàng)建輸出視頻， 我們需要 cv2．VideoWriter（） 方法。它以帶擴(kuò)展名的路徑作為第一個(gè)參數(shù)；第二個(gè)參數(shù)是輸出格式的編解碼器，還需要傳遞每秒幀數(shù)和高度和寬度。

cascade＿src ＝ ＇cars．xml＇

video＿src ＝ ＇Cars．mp4＇

cap ＝ cv2．VideoCapture（video＿src）

car＿cascade ＝ cv2．CascadeClassifier（cascade＿src）

video ＝ cv2．VideoWriter（＇result．a(chǎn)vi＇，cv2．VideoWriter＿fourcc（＊＇DIVX＇）， 15， （450，250））

現(xiàn)在我們將從輸入視頻中一一讀取幀，將它們轉(zhuǎn)換為灰度，并使用汽車(chē)級(jí)聯(lián)來(lái)檢測(cè)該特定幀中的所有汽車(chē)。最后，我們使用 video．write（） 方法編寫(xiě)這個(gè)視頻，video．release（） 將這個(gè)視頻保存到給定的路徑。

while True：

     ret， img ＝ cap．read（）

     if （type（img） ＝＝ type（None））：

          break
           gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）
           cars ＝ car＿cascade．detectMultiScale（gray， 1．1， 2）
  

    for （x，y，w，h） in cars：
                   cv2．rectangle（img，（x，y），（x＋w，y＋h），（0，255，255），2）

video．write（img） 

video．release（）

結(jié)論

我們首先下載我們將要處理的圖像并執(zhí)行不同的操作。我們看到了如何使用用于物體檢測(cè)的 haar 級(jí)聯(lián)，以及如何使用不同的 haar 級(jí)聯(lián)進(jìn)行汽車(chē)檢測(cè)和公交車(chē)檢測(cè)。同樣，你可以使用許多預(yù)訓(xùn)練的 haar 級(jí)聯(lián)進(jìn)行其他對(duì)象檢測(cè)。

由于 haar 級(jí)聯(lián)用于對(duì)象檢測(cè)，因此我們的范圍很廣。它可用于對(duì)象檢測(cè)，我們還可以為特定對(duì)象創(chuàng)建自定義 haar 級(jí)聯(lián)。

尾注

這是這篇文章的repo鏈接：

       原文標(biāo)題 : 使用OpenCV的車(chē)輛檢測(cè)和計(jì)數(shù)系統(tǒng)