做视频在线观看网站,网站加视频播放设计怎么做的,国内做的比较简洁的网站,wordpress网站打开卡本期教程我们将和小伙伴们一起研究如何使用计算机视觉和图像处理技术来检测汽车在行驶中时汽车是否在改变车道#xff01;大家一定听说过使用 OpenCV 的 haar 级联文件可以检测到面部、眼睛等#xff0c;但是如果目标是汽车#xff0c;公共汽车呢#xff1f;
01. 数据集
…本期教程我们将和小伙伴们一起研究如何使用计算机视觉和图像处理技术来检测汽车在行驶中时汽车是否在改变车道大家一定听说过使用 OpenCV 的 haar 级联文件可以检测到面部、眼睛等但是如果目标是汽车公共汽车呢
01. 数据集
我们将道路上汽车的视频文件用作数据集。当然可以使用图像数据集检测来汽车但是由于汽车在变道时我们需要通过弹出窗口提供警报因此对于这些动态情况视频输入更为可行。
02. 输入
第一步是提供要在本教程中使用的输入 - OpenCV 的 haar 级联文件用于检测汽车的坐标道路上的汽车的视频文件 -
cascade_src cascade/cars.xmlvideo_src dataset/cars.mp4
cap cv2.VideoCapture(video_src)car_cascade cv2.CascadeClassifier(cascade_src)cv2.VideoCapture方法用于捕获输入视频视频通常为每秒 25 个图像 / 帧fps。捕获输入后使用循环提取帧并使用汽车的 haar 级联文件检测到的坐标我们在循环中在汽车周围绘制一个矩形以在对捕获的帧执行其他操作时获得一致性。
while(1):# Take each frame _, frame cap.read() cars car_cascade.detectMultiScale(frame, 1.1, 1)for (x,y,w,h) in cars: roi cv2.rectangle(frame,(x,y),(xw,yh),(0,0,255),2) #ROI is region of interest在 OpenCV 中使用 BGR 而不是 RGB因此0,0,255将在汽车上绘制一个红色矩形而不是蓝色。 03. 图像处理
如果帧的分辨率很高则会减慢执行的操作此外该帧还包含噪声可以使用模糊降低噪声这里使用高斯模糊。
3.1 HSV 框架
在此我们使用从 cv2.VideoCapture捕获的帧中获得的 HSV 帧仅突出显示汽车转弯的点并遮挡其余道路和在道路上直行的汽车。设置上限和下限阈值是为了定义 HSV 中的颜色范围以查看汽车改变车道的点并用作框架的遮罩。以下是用于获取此代码的代码段 -
#canceling noise in the video frames using blurframe cv2.GaussianBlur(frame,(21,21),0) # Convert BGR to HSVhsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # define range of color in HSV to see the points at which the car is changing angleslower_limit np.array([0,150,150])upper_limit np.array([10,255,255]) # Threshold the HSV image to get only the thresholded colorsmask cv2.inRange(hsv, lower_limit, upper_limit)3.2 腐蚀与膨胀
腐蚀和膨胀是图像处理中常使用的两个基本形态学操作。腐蚀算子在内核区域上具有局部最小值的作用。腐蚀用于减少图像中的斑点噪声斑点会从图像中的对象边界腐蚀掉。膨胀具有局部最大值运算符的作用。当添加像素以平滑图像中对象的边界时将使用膨胀来重新获得一些丢失的区域。现在通过基本形态学操作腐蚀和膨胀处理从 HSV 帧的第一步生成的蒙版。通过将帧和掩码之间的按位与运算应用于获取 ROI感兴趣区域可以生成结果帧。 kernel np.ones((3,3),np.uint8) kernel_lg np.ones((15,15),np.uint8) # image processing technique called the erosion is used for noise reduction mask cv2.erode(mask,kernel,iterations 1) # image processing technique called the dilation is used to regain some lost area mask cv2.dilate(mask,kernel_lg,iterations 1) # Bitwise-AND to get black everywhere else except the region of interest result cv2.bitwise_and(frame,frame, mask mask)3.3 车道检测
canny 边缘检测器与霍夫线变换一起用于检测车道。 canny 边缘检测作者提供的图像
04. 边缘检测
诸如 canny 边缘检测器之类的算法用于查找将图像中的边缘像素但是由于我们无法融合某些点和边缘因此它无法找到实际对象在这里我们可以使用 OpenCV 中的 cv2.findContours实现轮廓的查找。
定义 -“轮廓是代表图像中曲线的点的列表。” 等高线由序列表示序列是结构的链表每个序列都编码有关下一点位置的信息。我们在 ROI 中多次运行 cv2.findContours以获得实体然后使用 cv2.drawContours绘制轮廓区域。等高线可以是点边多边形等因此在绘制等高线时我们进行多边形近似以找到边的长度和区域的面积。函数 cv2.drawContours的工作方式是从根节点开始绘制一棵树数据结构然后将后续点边界框和 freeman 链代码连接在一起。
找到轮廓后的另一个重要任务是匹配它们。轮廓匹配意味着我们有两个单独的计算轮廓相互比较或者轮廓与抽象模板相比较。
thresh maskcontours, hierarchy cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# define a minimum area for a contour (ignoring all values below min)min_area 1000cont_filtered []# filter out all contours below a min_areafor cont in contours: if cv2.contourArea(cont) min_area: cont_filtered.append(cont)
cnt cont_filtered[0]# draw the rectangles around contoursrect cv2.minAreaRect(cnt)box cv2.boxPoints(rect)box np.int0(box)cv2.drawContours(frame,[box],0,(0,0,255),2)rows,cols thresh.shape[:2][vx,vy,x,y] cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)lefty int((-x*vy/vx) y)righty int(((cols-x)*vy/vx)y)cv2.line(frame,(cols-1,righty),(0,lefty),(0,255,0),2)05. 中心矩
我们可以通过计算轮廓矩来比较两个轮廓。“中心矩是通过将轮廓的所有像素相加而得出的轮廓的总体特征。” 中心矩型 -
空间矩 m00m10m01m20m11m02m30m21m12m03。中心矩 mu20mu11mu02mu30mu21mu12mu03。Hu 矩有七个 Hu 矩h0 — h6或h1 — h7两种表示法都使用。
我们使用 cv2.fitEllipse计算矩并将椭圆拟合在这些点上。从轮廓和力矩中得出角度因为改变车道需要 45 度旋转这被认为是汽车转弯角度的阈值。 现在我们不仅可以打印检测变化的车道还可以使用 Tkinter 作为一个简单的弹出窗口来提醒更改。 使用 Greenline 测量角度并在框架中的汽车上绘制矩形 弹出警报作者提供的图片 输出
06. 总结
在本教程中使用车道变更检测方法探索了智能汽车导航的小型演示。计算机视觉正在迅速发展其应用不仅在汽车的本地导航中而且在火星导航和产品检查领域中也在不断发展甚至医疗应用也正在开发中并可以在早期用于检测 X 射线图像中的癌症和肿瘤阶段。
