【OpenCV学习】（九）⽬标识别之车辆检测与计数
【OpenCV学习】（九）⽬标识别之车辆检测及计数
背景
本篇将具体介绍⼀个实际应⽤项⽬——车辆检测及计数，在交通安全中是很重要的⼀项计数；当然，本次完全采⽤OpenCV进⾏实现，和⽬前落地的采⽤深度学习的算法并不相同，但原理是⼀致的；本篇将从基础开始介绍，⼀步步完成车辆检测计数的项⽬；
⼀、图像轮廓
本质：具有相同颜⾊或强度的连续点的曲线；
作⽤：
1、可⽤于图形分析；
2、应⽤于物体的识别与检测；
注意点：
1、为了检测的准确性，需要先对图像进⾏⼆值化或Canny操作；
2、画轮廓的时候回修改输⼊的图像，需要先深拷贝原图；
轮廓查的函数原型：
findContours（img，mode，ApproximationMode…）
mode
RETR_EXTERNAL=0，表⽰只检测外轮廓；
RETR_LIST=1，检测的轮廓不建⽴等级关系；（常⽤）
RETR_CCOMP=2，每层最多两级；
RETR_TREE=3，按树形结构存储轮廓，从右到左，从⼤到⼩；（常⽤）
ApproximationMode
CHAIN_APPROX_BOBE：保存轮廓上所有的点；
CHAIN_APPROX_SIMPLE：只保存轮廓的⾓点；
代码实战：
img = cv2.imread('./contours1.jpeg')
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# ⼆值化
ret, binary = cv2.threshold(gray,150,255, cv2.THRESH_BINARY)
# 轮廓查
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours输出结果：
(array([[[0,0]],
[[0,435]],
[[345,435]],
[[345,0]]], dtype=int32),)
可以看出，我们最外层轮廓，出了⼀个矩形轮廓的四个点；
当然，我们不需要通过画形状来绘制轮廓，可以通过⼀个内置函数来绘制轮廓；
绘制轮廓函数原型：
drawContours（img，contours，contoursIdx，color，thickness，…）contours：表⽰保存轮廓的数组；
contoursIdx：表⽰绘制第⼏个轮廓，-1表⽰所有轮廓；
代码案例：
img = cv2.imread('./contours1.jpeg')
img2 = py()
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# ⼆值化
ret, binary = cv2.threshold(gray,150,255, cv2.THRESH_BINARY)
# 轮廓查
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours,-1,(0,0,255),1)
cv2.drawContours(img2, contours,-1,(0,0,255),-1)
cv2.imshow('org', img)
cv2.imshow('org2', img2)
cv2.waitKey(0)
如上图所⽰，左图是线宽设置为1，右图为线宽设置为-1，也就是填充的效果；
当然，OpenCV还提供了计算轮廓周长和⾯积的⽅法；
轮廓⾯积函数原型：
contourArea（contour）
轮廓周长函数原型：
arcLength（curve，closed）
curve：表⽰轮廓；
closed：是否是闭合的轮廓；
上述两个函数⽐较简单，在这就不做代码演⽰了；
⼆、多边形逼近与凸包
多边形逼近函数原型：
approxPolyDP（curve，epsilon，closed）
epslion：精度；
凸包的函数原型：
convexHull（points，clockwise，…）
points：轮廓；rectangle函数opencv
clockwise：绘制⽅向，顺时针或逆时针；（不重要）
⾸先我们看⼀下基于轮廓查输出的轮廓形状：
可以看出轮廓点⼗分密集，接下来看⼀下基于多变形逼近和凸包的效果：代码案例：
img = cv2.imread('./hand.png')
img2 = py()
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# ⼆值化
ret, binary = cv2.threshold(gray,150,255, cv2.THRESH_BINARY)
# 轮廓查
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# cv2.drawContours(img, contours, -1, (0, 0, 255), 1)
e =20
approx = cv2.approxPolyDP(contours[0], e,True)# 多边形逼近
approx =(approx,)
cv2.drawContours(img, approx,0,(0,0,255),3)
hull = vexHull(contours[0])
hull =(hull,)
cv2.drawContours(img2, hull,0,(0,0,255),3)# 凸包
cv2.imshow('org', img)
cv2.imshow('org2', img2)
cv2.waitKey(0)
这⾥需要注意⼀点，绘制轮廓的函数对于轮廓的传⼊需要为元组，需要将得到的数组放到⼀个元组中！当然，多边形逼近这⾥设置的精度为20，所以⽐较粗糙，设置⼩⼀些可以达到更好的效果；
三、外接矩形
外接矩阵分为最⼤外接矩阵和最⼩外接矩阵，如下图所⽰：
最⼩外接矩阵还有⼀个功能，就是计算旋转⾓度，从上图的绿框应该可以很明显看出；
最⼩外接矩阵函数原型：
minAreaRect（points）
返回值：起始点（x，y）、宽⾼（w，h）、⾓度（angle）
最⼤外接矩形函数原型：
boundingRect（array）
返回值：起始点（x，y）、宽⾼（w，h）
代码案例：
img = cv2.imread('./hello.jpeg')
img2 = py()
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# ⼆值化
ret, binary = cv2.threshold(gray,150,255, cv2.THRESH_BINARY)
# 轮廓查
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 获取最⼩外接矩形
r = cv2.minAreaRect(contours[1])
box = cv2.boxPoints(r)# 提取其中的点
box = np.int0(box)# 将浮点型转换为整型
cv2.drawContours(img,(box,),0,(0,0,255),2)
# 获取最⼤外接矩形
x, y, w, h = cv2.boundingRect(contours[1])
cv2.imshow('org', img)
cv2.imshow('org2', img2)
cv2.waitKey(0)
四、车辆统计实战
涉及的知识点：
窗⼝展⽰
图像、视频的加载
基本图形的绘制
基本图像运算与处理
形态学
轮廓查

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。