介紹

本文，我們將使用歐幾里德距離跟蹤和輪廓的概念在 Python 中使用 OpenCV 構建車輛計數器系統。

對象追蹤

對象跟蹤是在視頻中定位移動對象的過程。在 OpenCV 中有多種技術可以執行對象跟蹤?？梢葬槍?2 種情況執行對象跟蹤：

• 跟蹤單個對象

• 跟蹤多個對象

在這里，我們將執行多對象跟蹤方法，因為我們在一個時間范圍內有多輛車。

流行的追蹤算法

DEEP SORT：它是最廣泛使用和非常有效的目標跟蹤算法之一，它適用于 YOLO 目標檢測，使用卡爾曼濾波器進行跟蹤。

質心跟蹤算法：質心跟蹤算法是一種易于理解且非常有效的算法。這是一個多步驟的過程。

步驟 1：獲取檢測到的對象的邊界框坐標并使用邊界框的坐標計算質心。

步驟 2：對于每個后續幀，它使用邊界框坐標計算質心，并為這些邊界框分配一個 id，并計算每個可能的質心之間的歐幾里德距離。

步驟 3：我們的假設是給定對象可能會在后續幀中移動，并且它們質心之間的歐幾里德距離將是與其他對象相比的最小距離。

步驟 4：將相同的 ID 分配給后續幀之間的最小移動質心。

為了檢測任何運動物體，我們可以用 frame(t) 減去 frame(t+1)。

對象跟蹤的應用

因為計算機不斷增長的計算能力，對象跟蹤變得越來越先進。對象跟蹤有一些主要的用例。

• 交通跟蹤和避免碰撞。

• 人群追蹤

• 無人在家時進行寵物追蹤

• 導彈跟蹤

• 空氣畫筆

實現歐幾里得距離跟蹤器

本文使用的所有代碼的源文件和測試視頻都可以通過這個鏈接下載：

https://github.com/Abhishekjl/OPENCV-

上面討論的所有步驟都可以使用一些數學計算來執行

我們已經建立了一個名為EuclideanDistTracker對象跟蹤的類。

import?math class?EuclideanDistTracker:def?__init__(self):#?Storing?the?positions?of?center?of?the?objectsself.center_points?=?{}#?Count?of?ID?of?boundng?boxes#?each?time?new?object?will?be?captured?the?id?will?be?increassed?by?1self.id_count?=?0def?update(self,?objects_rect):objects_bbs_ids?=?[]#?Calculating?the?center?of?objectsfor?rect?in?objects_rect:x,?y,?w,?h?=?rectcenter_x?=?(x?+?x?+?w)?//?2center_y?=?(y?+?y?+?h)?//?2#?Find?if?object?is?already?detected?or?notsame_object_detected?=?Falsefor?id,?pt?in?self.center_points.items():dist?=?math.hypot(center_x?-?pt[0],?center_y?-?pt[1])if?dist?<?25:self.center_points[id]?=?(center_x,?center_y)print(self.center_points)objects_bbs_ids.append([x,?y,?w,?h,?id])?????same_object_detected?=?Truebreak#?Assign?the?ID?to?the?detected?objectif?same_object_detected?is?False:self.center_points[self.id_count]?=?(center_x,?center_y)??????????????????????objects_bbs_ids.append([x,?y,?w,?h,?self.id_count])???????self.id_count?+=?1#?Cleaning?the?dictionary?ids?that?are?not?used?anymorenew_center_points?=?{}for?obj_bb_id?in?objects_bbs_ids:var,var,var,var,?object_id?=?obj_bb_idcenter?=?self.center_points[object_id]new_center_points[object_id]?=?center#?Updating?the?dictionary?with?IDs?that?is?not?usedself.center_points?=?new_center_points.copy()return?objects_bbs_ids

你可以創建一個名為tracker.py并粘貼跟蹤器代碼的文件，也可以使用此鏈接(https://github.com/Abhishekjl/OPENCV-)直接下載跟蹤器文件。

• update→更新方法需要一個包含所有邊界框坐標的數組。

• tracker 返回一個包含 [x,y,w,h, object_id] 的數組。這里 x,y,w,h 是邊界框的坐標，object_id 是與該邊界框關聯的 id。

在準備好跟蹤器文件后，我們需要實現我們的目標檢測器，稍后我們將我們的跟蹤器與目標檢測器綁定。

加載庫和視頻

從我們已經創建的 tracker.py 文件中導入我們的 EuclideanDistTracker 類。

import?cv2 import?numpy?as?np from?tracker?import?EuclideanDistTracker tracker?=?EuclideanDistTracker() cap??=?cv2.VideoCapture('highway.mp4') ret,?frame1?=?cap.read() ret,?frame2?=?cap.read()

cap.read()它返回幀和布爾值，我們需要捕獲幀。

在 OpenCV 中獲取視頻幀

這個想法是獲得兩個后續幀之間的絕對差，以便檢測移動對象。

while?cap.isOpened():#?ret,?frame?=?cap.read()diff?=?cv2.absdiff(frame1,?frame2)??#?this?method?is?used?to?find?the?difference?bw?two??framesgray?=?cv2.cvtColor(diff,?cv2.COLOR_BGR2GRAY)blur?=?cv2.GaussianBlur(gray,?(5,5),?0?)#?here?i?would?add?the?region?of?interest?to?count?the?single?lane?carsheight,?width?=?blur.shapeprint(height,?width)#?thresh_value?=?cv2.getTrackbarPos('thresh',?'trackbar')_,?threshold?=?cv2.threshold(blur,?23,?255,?cv2.THRESH_BINARY)dilated?=?cv2.dilate(threshold,?(1,1),?iterations=1)contours,?_,?=?cv2.findContours(dilated,?cv2.RETR_TREE,?cv2.CHAIN_APPROX_SIMPLE)detections?=?[]#?DRAWING?RECTANGLE?BOX?(Bounding?Box)for?contour?in?contours:(x,y,w,h)?=?cv2.boundingRect(contour)if?cv2.contourArea(contour)?<300:continuedetections.append([x,y,w,h])boxes_ids?=?tracker.update(detections)for?box_id?in?boxes_ids:x,y,w,h,id?=?box_idcv2.putText(frame1,?str(id),(x,y-15),??cv2.FONT_HERSHEY_SIMPLEX,?0.8,?(0,0,255),?2)cv2.rectangle(frame1,?(x,y),(x+w,?y+h),?(0,255,0),?2)cv2.imshow('frame',frame1)frame1?=?frame2ret,?frame2?=?cap.read()key?=?cv2.waitKey(30)if?key?==?ord('q):break cv2.destroyAllWindows()

• cv2.absdiff 此方法用于獲取兩幀之間的絕對差。

• 得到幀差后將差值轉換為灰度，然后應用閾值和輪廓檢測。

• 找到的輪廓是所有運動物體的輪廓

• 為了避免所有的噪音，我們只采用那些尺寸大于 300 的輪廓。

• boxes_ids 包含 (x,y,w,h,id)。

• cv2.putText 用于在框架上寫入 Id。

• cv2.rectange() 用于繪制邊界框。

輸出：車輛計數器系統

結論

在本文中，我們討論了對象跟蹤的概念和對象跟蹤的用例，即車輛計數器。

我們討論了對象跟蹤的一些應用，并討論了質心跟蹤算法中涉及的步驟，并將其用于車輛計數。

基于深度學習的對象跟蹤算法（如用于 YOLO 對象檢測的 DEEP SORT 算法）在我們的案例中執行得更準確。

☆ END ☆

如果看到這里，說明你喜歡這篇文章，請轉發、點贊。微信搜索「uncle_pn」，歡迎添加小編微信「 woshicver」，每日朋友圈更新一篇高質量博文。

↓掃描二維碼添加小編↓

總結

以上是生活随笔為你收集整理的使用 OpenCV 构建车辆计数器系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。