使用OpenCV和Python構建自己的車輛檢測模型

本文轉載自查看原文 2020-08-21 14:38 1180

作者|PRATEEK JOSHI
編譯|Flin
來源|analyticsvidhya

概述

你對智慧城市的想法感到興奮嗎？如果是的話，你會喜歡這個關於建立你自己的車輛檢測系統的教程的
在深入實現部分之前，我們將首先了解如何檢測視頻中的移動目標
我們將使用OpenCV和Python構建自動車輛檢測器

介紹

我喜歡智慧城市的理念。自動智能能源系統、電網、一鍵接入端口的想法等等。這是一個令人着迷的概念！老實說，這是一個數據科學家的夢想，我很高興世界上很多城市都在朝着更智能的方向發展。

智能城市的核心組成部分之一是自動交通管理。這不禁讓我思考——我能用我的數據科學知識來建立一個車輛檢測模型，在智能交通管理中發揮作用嗎？

想想看，如果你能在紅綠燈攝像頭中集成車輛檢測系統，你可以輕松地同時跟蹤許多有用的東西：

白天交通路口有多少輛車？
什么時候交通堵塞？
什么樣的車輛（重型車輛、汽車等）正在通過交叉路口？
有沒有辦法優化交通，並通過不同的街道進行分配？

還有很多例子就不一一列舉。應用程序是無止境的！

我們人類可以很容易地在一瞬間從復雜的場景中檢測和識別出物體。然而，將這種思維過程轉化為機器的思維，需要我們學習使用計算機視覺算法進行目標檢測。

因此在本文中，我們將建立一個自動車輛檢測器和計數器模型。以下視頻是你可以期待的體驗：

https://youtu.be/C_iZ2yivskE

注意：還不懂深度學習和計算機視覺的新概念？以下是兩門熱門課程，可開啟你的深度學習之旅：

深度學習基礎（https://courses.analyticsvidhya.com/courses/fundamentals-of-deep-learning?utm_source=blog&utm_medium=vehicle-detection-opencv-python）
利用深度學習的計算機視覺（https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2?utm_source=blog&utm_medium=vehicle-detection-opencv-python）

逐步介紹基本的目標檢測算法（https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1/?utm_source=blog&utm_medium=vehicle-detection-opencv-python）
利用SlimYOLOv3進行實時目標檢測（https://www.analyticsvidhya.com/blog/2019/08/introduction-slimyolov3-real-time-object-detection/?utm_source=blog&utm_medium=vehicle-detection-opencv-python）
其他目標檢測物品和資源（https://www.analyticsvidhya.com/blog/tag/object-detection/?utm_source=blog&utm_medium=vehicle-detection-opencv-python）

讓我們看看一些令人興奮的現實世界中的目標檢測用例。

視頻中目標檢測的真實世界用例

如今，視頻目標檢測正被廣泛應用於各個行業。使用案例從視頻監控到體育廣播，再到機器人導航。

好消息是，在未來的視頻目標檢測和跟蹤用例中，可能性是無窮的。這里我列出了一些有趣的應用程序：

人群計數（https://www.analyticsvidhya.com/blog/2019/02/building-crowd-counting-model-python/）
車牌檢測與識別
運動中的球跟蹤（https://www.analyticsvidhya.com/blog/2020/03/ball-tracking-cricket-computer-vision/）
機器人學
交通管理（我們將在本文中看到這個想法）

視頻目標檢測的基本概念

在開始構建視頻檢測系統之前，你應該知道一些關鍵概念。一旦你熟悉了這些基本概念，就可以為你選擇的任何用例構建自己的檢測系統。

那么，你希望如何檢測視頻中的移動目標？

我們的目標是捕捉運動物體的坐標並在視頻中突出顯示該物體。請考慮下面視頻中的這一幀：

我們希望我們的模型能夠檢測視頻中的運動目標，如上圖所示。檢測到移動的汽車，並在汽車周圍創建一個邊界框。

解決這個問題有多種方法。你可以為目標檢測訓練一個深度學習模型，也可以選擇一個預先訓練好的模型並根據你的數據對其進行微調。然而，這些方法都是有監督的學習方法，需要標記數據來訓練目標檢測模型。

在本文中，我們將重點討論視頻中無監督的目標檢測方法，即不使用任何標記數據的目標檢測。我們將使用幀差分技術。讓我們了解它是如何工作的！

幀差分

視頻是一組按正確順序堆疊在一起的幀。所以，當我們看到一個物體在視頻中移動時，這意味着這個物體在每一個連續的幀上都處於不同的位置。

如果我們假設除了該目標之外，在一對連續的幀中沒有其他物體移動，那么第一幀與第二幀的像素差將突出顯示移動目標的像素。現在，我們得到了移動物體的像素和坐標。這就是幀差分法的工作原理。

舉個例子。考慮視頻中的以下兩個幀：

你能看出這兩幀的區別嗎？

握筆的手的位置從第1幀變為第2幀。其余的物體根本沒有移動。所以，正如我前面提到的，為了定位移動目標，我們將執行幀差分。結果如下：

你可以看到高亮或白色區域，這是手最初出現的地方。除此之外，記事本的邊緣也會突出顯示一點。這可能是由於手的移動改變了光照。建議不要對靜止物體進行不必要的檢測。因此，我們需要對幀執行某些圖像預處理步驟。

圖像閾值

在這種方法中，灰度圖像的像素值根據閾值被指定為表示黑白顏色的兩個值之一。因此，如果一個像素的值大於一個閾值，它被賦予一個值，否則它被賦予另一個值。

在本例中，我們將對上一步驟中幀差分的輸出圖像應用圖像閾值：

你可以看到，不需要的高亮區域的大部分已經消失了。高亮顯示的“記事本”邊緣不再可見。合成的圖像也可以稱為二值圖像，因為其中只有兩種顏色。在下一個步驟中，我們將看到如何捕獲這些高亮區域。

檢測輪廓

輪廓用於識別圖像中具有相同顏色或強度的區域的形狀。輪廓就是目標區域周圍的邊界。因此，如果我們在閾值步驟后對圖像應用輪廓檢測，我們將得到以下結果：

白色區域被淺灰色的邊界所包圍，這些邊界就是輪廓。我們很容易得到這些輪廓的坐標。這意味着我們可以得到高亮區域的位置。

請注意，有多個高亮顯示區域，每個區域由輪廓包圍。在我們的例子中，具有最大面積的輪廓是我們期望的區域。因此，輪廓最好盡可能少。

在上圖中，仍然有一些不必要的白色區域碎片。還有改進的余地。我們的想法是合並附近的白色區域以獲得更少的輪廓，為此，我們可以使用另一種稱為圖像膨脹的技術。

圖像膨脹

這是對圖像的卷積操作，其中核心（矩陣）傳遞到整個圖像上。為了給你直覺，右邊的圖像是左邊圖像的放大版本：

所以，讓我們對我們的圖像進行圖像膨脹，然后我們將再次找到輪廓：

事實證明，許多支離破碎的區域已經相互融合。現在我們可以再次在這張圖片中找到輪廓：

在這里，我們只有四個候選輪廓，從中我們可以選擇一個有最大面積的輪廓。也可以在原始幀上繪制這些輪廓，以查看輪廓圍繞移動目標的情況：

用OpenCV和Python構建車輛檢測系統

我們准備建立我們的車輛檢測系統！在這個實現中，我們將大量使用計算機視覺庫OpenCV（4.0.0版）(https://www.analyticsvidhya.com/blog/2019/03/opencv-functions-computer-vision-python/?utm_source=blog&utm_medium=vehicle-detection-opencv-python) 。我們先導入所需的庫和模塊。

導入庫

import os
import re
import cv2 # opencv library
import numpy as np
from os.path import isfile, join
import matplotlib.pyplot as plt

導入視頻幀

請從此鏈接下載原始視頻的幀。

https://drive.google.com/file/d/1P0yiO5KlnU8dGgB_L68KB_hjIvUec55f/view

將框架保存在工作目錄中名為“frames”的文件夾中。從該文件夾中，我們將導入幀並將其保存在列表中：

# get file names of the frames
col_frames = os.listdir('frames/')

# sort file names
col_frames.sort(key=lambda f: int(re.sub('\D', '', f)))

# empty list to store the frames
col_images=[]

for i in col_frames:
    # read the frames
    img = cv2.imread('frames/'+i)
    # append the frames to the list
    col_images.append(img)

數據探索

讓我們顯示兩個連續的幀：

# plot 13th frame
i = 13

for frame in [i, i+1]:
    plt.imshow(cv2.cvtColor(col_images[frame], cv2.COLOR_BGR2RGB))
    plt.title("frame: "+str(frame))
    plt.show()

很難在這兩個框架中找到區別，不是嗎？如前所述，獲取兩個連續幀的像素值的差值將有助於我們觀察移動目標。那么，讓我們在上面兩個幀上使用該技術：

# convert the frames to grayscale
grayA = cv2.cvtColor(col_images[i], cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(col_images[i+1], cv2.COLOR_BGR2GRAY)

# plot the image after frame differencing
plt.imshow(cv2.absdiff(grayB, grayA), cmap = 'gray')
plt.show()

現在我們可以清楚地看到第13幀和第14幀中的移動目標。其他沒有移動的東西都被減去了。

圖像預處理

讓我們看看對上面的圖像應用閾值后會發生什么：

diff_image = cv2.absdiff(grayB, grayA)

# perform image thresholding
ret, thresh = cv2.threshold(diff_image, 30, 255, cv2.THRESH_BINARY)

# plot image after thresholding
plt.imshow(thresh, cmap = 'gray')
plt.show()

現在，移動物體（車輛）看起來更像我們期望看到的那樣了，大部分噪音（不希望出現的白色區域）都消失了。但是，突出顯示的區域有點零碎。因此，我們可以對該圖像應用圖像膨脹：

# apply image dilation
kernel = np.ones((3,3),np.uint8)
dilated = cv2.dilate(thresh,kernel,iterations = 1)

# plot dilated image
plt.imshow(dilated, cmap = 'gray')
plt.show()

移動的物體有更多的實心高亮區域。希望幀中每個目標的輪廓數不超過3。

但是，我們不會使用整個框架來檢測移動的車輛。我們將首先選擇一個區域，如果車輛進入該區域，則僅檢測到該區域。

那么，讓我向你展示我們將會使用的區域:

# plot vehicle detection zone
plt.imshow(dilated)
cv2.line(dilated, (0, 80),(256,80),(100, 0, 0))
plt.show()

水平線y = 80以下的區域是我們的車輛檢測區域。我們將只檢測在這個區域發生的任何移動。你還可以創建自己的檢測區。

現在讓我們在上述幀的檢測區域中找到輪廓：

# find contours
contours, hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

上面的代碼查找整個圖像中的所有輪廓，並將它們保存在變量"contours"中。由於我們只需要找到檢測區域中存在的輪廓，我們將對發現的輪廓進行兩次檢查。

第一個檢查是輪廓左上角的y坐標是否應大於等於80（我這里包括另一個檢查，x坐標小於等於200）。另一個檢查是輪廓的面積應該大於等於25。在cv2.courtoArea()函數的幫助下，你可以找到輪廓區域。

valid_cntrs = []

for i,cntr in enumerate(contours):
    x,y,w,h = cv2.boundingRect(cntr)
    if (x <= 200) & (y >= 80) & (cv2.contourArea(cntr) >= 25):
        valid_cntrs.append(cntr)

# count of discovered contours        
len(valid_cntrs)

接下來，讓我們繪制輪廓和原始幀:

dmy = col_images[13].copy()

cv2.drawContours(dmy, valid_cntrs, -1, (127,200,0), 2)
cv2.line(dmy, (0, 80),(256,80),(100, 255, 255))
plt.imshow(dmy)
plt.show()

太酷了！只有位於檢測區域內的車輛輪廓可見。這就是我們在整個畫面中檢測車輛的方法

視頻中的車輛檢測

現在是時候對所有幀應用相同的圖像變換和預處理操作，並找到所需的輪廓。重申一下，我們將遵循以下步驟：

對每對連續幀應用幀差分
對上一步的輸出圖像應用圖像閾值
對上一步的輸出圖像進行圖像放大
在上一步的輸出圖像中查找輪廓
檢測區域出現的候選輪廓
保存幀與最終輪廓

# kernel for image dilation
kernel = np.ones((4,4),np.uint8)

# font style
font = cv2.FONT_HERSHEY_SIMPLEX

# directory to save the ouput frames
pathIn = "contour_frames_3/"

for i in range(len(col_images)-1):
    
    # frame differencing
    grayA = cv2.cvtColor(col_images[i], cv2.COLOR_BGR2GRAY)
    grayB = cv2.cvtColor(col_images[i+1], cv2.COLOR_BGR2GRAY)
    diff_image = cv2.absdiff(grayB, grayA)
    
    # image thresholding
    ret, thresh = cv2.threshold(diff_image, 30, 255, cv2.THRESH_BINARY)
    
    # image dilation
    dilated = cv2.dilate(thresh,kernel,iterations = 1)
    
    # find contours
    contours, hierarchy = cv2.findContours(dilated.copy(), cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
    
    # shortlist contours appearing in the detection zone
    valid_cntrs = []
    for cntr in contours:
        x,y,w,h = cv2.boundingRect(cntr)
        if (x <= 200) & (y >= 80) & (cv2.contourArea(cntr) >= 25):
            if (y >= 90) & (cv2.contourArea(cntr) < 40):
                break
            valid_cntrs.append(cntr)
            
    # add contours to original frames
    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))
    cv2.imwrite(pathIn+str(i)+'.png',dmy)

准備視頻

在這里，我們為所有幀中的所有移動車輛添加了輪廓。現在是時候堆疊幀並創建視頻了：

# specify video name
pathOut = 'vehicle_detection_v3.mp4'

# specify frames per second
fps = 14.0

接下來，我們將閱讀列表中的最后一幀：

frame_array = []
files = [f for f in os.listdir(pathIn) if isfile(join(pathIn, f))]
files.sort(key=lambda f: int(re.sub('\D', '', f)))

for i in range(len(files)):
    filename=pathIn + files[i]
    
    #read frames
    img = cv2.imread(filename)
    height, width, layers = img.shape
    size = (width,height)
    
    #inserting the frames into an image array
    frame_array.append(img)

最后，我們將使用以下代碼制作目標檢測視頻：


out = cv2.VideoWriter(pathOut,cv2.VideoWriter_fourcc(*'DIVX'), fps, size)

for i in range(len(frame_array)):
    # writing to a image array
    out.write(frame_array[i])

out.release()

恭喜你學會了車輛目標檢測！

尾注

在本教程中，我們學習了如何使用幀差分技術在視頻中執行移動目標檢測。我們還討論了目標檢測和圖像處理的一些概念。然后我們用OpenCV建立了自己的運動目標檢測系統。

我確信，使用在本文中學習的技術和方法，你將構建自己版本的目標檢測系統。

原文鏈接：https://www.analyticsvidhya.com/blog/2020/04/vehicle-detection-opencv-python/

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方文檔：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 yolo3 車輛檢測資源：車輛目標檢測 python中opencv庫的使用之目標檢測（二）使用opencv3+python實現視頻運動目標檢測 Python分類模型構建 Hog SVM 車輛行人檢測 QGIS模型構建器使用 python 利用opencv實現顏色檢測 opencv python運動人體檢測 python-opencv-Canny邊緣檢測