日萌社

?

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度學習實戰（不定時更新）

---

CNN：RCNN、SPPNet、Fast RCNN、Faster RCNN、YOLO V1 V2 V3、SSD、FCN、SegNet、U-Net、DeepLab V1 V2 V3、Mask RCNN

自動駕駛：車道線檢測、車速檢測、實時通行跟蹤、基于視頻的車輛跟蹤及流量統計

車流量檢測實現：多目標追蹤、卡爾曼濾波器、匈牙利算法、SORT/DeepSORT、yoloV3、虛擬線圈法、交并比IOU計算

多目標追蹤：DBT、DFT、基于Kalman和KM算法的后端優化算法、SORT/DeepSORT、基于多線程的單目標跟蹤的多目標跟蹤算法KCF

計算交并比IOU、候選框不同表示方式之間的轉換

卡爾曼濾波器

卡爾曼濾波器實踐

目標估計模型-卡爾曼濾波

匈牙利算法

數據關聯：利用匈牙利算法對目標框和檢測框進行關聯

SORT、DeepSORT

多目標追蹤

yoloV3模型

基于yoloV3的目標檢測

叉乘：基于虛擬線圈法的車流量統計

視頻中的車流量統計

---

4.10. 視頻中的車流量統計

學習目標

• 了解視頻中處理車流量統計的方法

---

前面我們已經完成了視頻中車輛的檢測功能，下面我們對車輛進行跟蹤，并將跟蹤結果繪制在視頻中。

主要分為以下步驟：

• 對目標進行追蹤
• 繪制車輛計數結果
• 將檢測結果繪制在視頻中并進行保存

1.對目標進行追蹤

# yolo中檢測結果為0時，傳入跟蹤器中會出現錯誤，在這里判斷下，未檢測到目標時不進行目標追蹤if np.size(dets) == 0:continueelse:tracks = tracker.update(dets) # 將檢測結果傳入跟蹤器中，返回當前畫面中跟蹤成功的目標，包含五個信息：目標框的左上角和右下角橫縱坐標，目標的置信度# 對跟蹤器返回的結果進行處理boxes = [] # 存放tracks中的前四個值：目標框的左上角橫縱坐標和右下角的橫縱坐標indexIDs = [] # 存放tracks中的最后一個值：置信度，用來作為memory中跟蹤框的Keyprevious = memory.copy() # 用于存放上一幀的跟蹤結果，用于碰撞檢測memory = {} # 存放當前幀目標的跟蹤結果，用于碰撞檢測# 遍歷跟蹤結果，對參數進行更新for track in tracks:boxes.append([track[0], track[1], track[2], track[3]]) # 更新目標框坐標信息indexIDs.append(int(track[4])) # 更新置信度信息memory[indexIDs[-1]] = boxes[-1] # 將跟蹤框以key為：置信度，value為：跟蹤框坐標形式存入memory中

繪制車輛計數的相關信息

cv2.line(frame, line[0], line[1], (0, 255, 0), 3) # 根據設置的基準線將其繪制在畫面上cv2.putText(frame, str(counter), (30, 80), cv2.FONT_HERSHEY_DUPLEX, 3.0, (255, 0, 0), 3) # 繪制車輛的總計數cv2.putText(frame, str(counter_up), (130, 80), cv2.FONT_HERSHEY_DUPLEX, 3.0, (0, 255, 0), 3) # 繪制車輛正向行駛的計數cv2.putText(frame, str(counter_down), (230, 80), cv2.FONT_HERSHEY_DUPLEX, 3.0, (0, 0, 255), 3) # 繪制車輛逆向行駛的計數

將結果保存在視頻中

# 未設置視頻的編解碼信息時，執行以下代碼if writer is None:# 設置編碼格式fourcc = cv2.VideoWriter_fourcc(*"mp4v")# 視頻信息設置writer = cv2.VideoWriter("./output/output.mp4",fourcc,30,(frame.shape[1], frame.shape[0]),True)# 將處理后的幀寫入到視頻中writer.write(frame)# 顯示當前幀的結果cv2.imshow("", frame)# 按下q鍵退出if cv2.waitKey(1) & 0xFF == ord('q'):break

---

總結

對目標進行追蹤

繪制車輛計數的相關信息

將結果保存在視頻中

總結

以上是生活随笔為你收集整理的视频中的车流量统计的全部內容，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。