知识点收集:
背景减除(Background Subtraction)是许多基于计算机视觉的任务中的主要预处理步骤。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,情况会变的变得更加复杂。为此引入了背景减除算法,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。
1.BackgroundSubtractorMOG()
这是一个以混合高斯模型为基础的前景/背景分割算法。它是 P.KadewTraKuPong 和 R.Bowden 在 2001 年提出的。
它使用 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。
在编写代码时,我们需要使用函数:cv2.createBackgroundSubtractorMOG() 创建一个背景对象。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
2. cv2.VideoCapture() # 导入视频, 返回一个bool值, 和画面(ret, frame)
3.cv2.bgsegm.createBackgroundSubtractorMOG() # 检测动态目标
4.getStructuringElement()函数可用于构造一个特定大小和形状的结构元素,用于图像形态学处理
5.gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 灰度化处理
6.cv2.GaussianBlur(gray, (3, 3), 5) # 高斯滤波, 去噪
import cv2
import numpy as np
cap = cv2.VideoCapture('./video.mp4') # 导入视频
basubmog = cv2.bgsegm.createBackgroundSubtractorMOG()
# 形态学
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
min_w = 90
min_h = 90
cars = []
# 检测线高
line_high = 620
# 线的偏移区间
offset = 7
carno = 0
def center(x, y, w, h):
x1 = int(w/2)
y1 = int(h/2)
cx = int(x) + x1
cy = int(y) + y1
return cx, cy
while True:
ret, frame = cap.read()
if ret == True:
# 将原始帧进行灰度化, 然后去噪
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 去噪
blur = cv2.GaussianBlur(gray, (3, 3), 5)
# 获取前景掩码
mask = bgsubmog.apply(blur)
# 去掉一些干扰噪声
erode = cv2.erode(mask, kernel)
# 再把图像还原回来, 执行膨胀操作
dilate = cv2.dilate(erode, kernel, iterations = 2)
# 闭操作
close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel, iterations = 2)
# 查找轮廓
result, contours, h = cv2.findContours(close, cv2.RETR+_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 画出检测线
cv2.line(frame, (10, line_high), (1200, line_high), (255, 255, 0), 3)
# 画出轮廓
for (i, c) in enumerate(contours):
(x, y, w, h) = cv2.boundingRect(c)
is_valid = (w >= min_w) and (h >= min_h)
if not is_valid:
continue
# 通过的才是有效的车, 有效部分才画矩形
cv2.rectangle(frame, (int(x), int(y)), (int(x + w), int(y + h)), (0, 0, 225), 2)
# 把车抽象为一个点,用于检测是否过线
cpoint = center(x, y, w, h)
cars.append(cpoint)
# 画出中心点
cvw.circle(frame, (cpoint), 5, (0, 0, 255), -1)
# 判断汽车是否过线
for (x, y) in cars:
if y > (line_high - offset) and y < (line_high + offset):
# 落入有效区间, 进行计数
carno += 1
cars.remove((x, y))
print(carno)
cv2.putText(frame, 'Vehicle Count' + str(carno), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (255, 0, 0), 5)
cv2.imshow('frame', frame)
key = cv2.waitKey(10)
if key == 27:
break
cap.release()
cv2.destroyAllWindows()