本文共 1983 字，大约阅读时间需要 6 分钟。

项目介绍

通过此车辆检测系统，我们可以实时判断某时刻内通过摄像头某一区域内的车辆数，如下图所示：

实现流程

• 1、提取出一段视频中的每一帧图像；
• 2、使用帧差分技术检测车辆目标；
• 3、图像预处理：
  • 3.1 对图像应用阈值处理；
  • 3.2 图像膨胀；
• 4、选择车辆检测区域（ROI）；
• 5、在 ROI 中寻找车辆轮廓；
• 6、将轮廓绘制到原始帧上得到含有轮廓的每一帧；
• 7、将得到的所有帧合成视频。

代码

import osimport reimport cv2import numpy as npimport matplotlib.pyplot as plt# 得到 frames 文件夹中所有图像的文件名col_frames = os.listdir('frames/')# 根据文件名给所有图像排序col_frames.sort(key=lambda f: int(re.sub('\D', '', f)))# 空列表 col_images 用于存放加载进来的图像col_images=[]for i in col_frames:    # 加载图像    img = cv2.imread('frames/'+i)    # 将图像加载到 col_images 中    col_images.append(img)# 视频路径pathOut = 'vehicle_detection_v3.mp4'# 帧率（每秒多少帧）fps = 14.0# 每帧的图像尺寸size = (col_images[0].shape[1], col_images[0].shape[0])# 写入视频out = cv2.VideoWriter(pathOut,cv2.VideoWriter_fourcc(*'DIVX'), fps, size)# 用于图像膨胀的核kernel = np.ones((4,4),np.uint8)# 字体类型font = cv2.FONT_HERSHEY_SIMPLEXfor i in range(len(col_images)-1):    # 帧差分技术检测车辆目标    grayA = cv2.cvtColor(col_images[i], cv2.COLOR_BGR2GRAY)  # 上一帧图像    grayB = cv2.cvtColor(col_images[i+1], cv2.COLOR_BGR2GRAY)  # 下一帧图像    diff_image = cv2.absdiff(grayB, grayA)  # 两帧图像之差    # 图像阈值化    ret, thresh = cv2.threshold(diff_image, 30, 255, cv2.THRESH_BINARY)    # 图像膨胀    dilated = cv2.dilate(thresh,kernel,iterations = 1)    # 寻找轮廓    contours, hierarchy = cv2.findContours(dilated.copy(), cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)    # 统计选择的检测区域中的轮廓（有效轮廓）    valid_cntrs = []  # 空列表 valid_cntrs 用于存放有效轮廓    for cntr in contours:  # 遍历找到的所有轮廓        x,y,w,h = cv2.boundingRect(cntr)  # 轮廓的坐标        # 选择的检测区域为 [:200, 80:]        # 有效轮廓的面积大于等于 25        if (x <= 200) & (y >= 80) & (cv2.contourArea(cntr) >= 25):            valid_cntrs.append(cntr)  # 将有效轮廓添加进 valid_cntrs    # 把每一帧中找到的有效轮廓添加到原始帧上    dmy = col_images[i].copy()    cv2.drawContours(dmy, valid_cntrs, -1, (127,200,0), 2)    cv2.putText(dmy, "vehicles detected: " + str(len(valid_cntrs)), (55, 15), font, 0.6, (0, 180, 0), 2)    cv2.line(dmy, (0, 80),(256,80),(100, 255, 255))    out.write(dmy)    out.release()