高端网站开发平台,阿里云建站费用,著名网站建设公司,网站建设入门到精通车辆跟踪及测距是一种现代化的技术手段#xff0c;通过使用各种传感器和技术设备#xff0c;能够实现车辆的实时监控和测距。这些技术手段包括GPS全球定位系统、雷达、激光等#xff0c;它们可以帮助我们更好地了解车辆的位置和行驶情况。在本文中#xff0c;我们将从以下几…
车辆跟踪及测距是一种现代化的技术手段通过使用各种传感器和技术设备能够实现车辆的实时监控和测距。这些技术手段包括GPS全球定位系统、雷达、激光等它们可以帮助我们更好地了解车辆的位置和行驶情况。在本文中我们将从以下几个方面进行详细的探讨 1. 车辆跟踪技术的发展历程 车辆跟踪技术在过去几十年中得到了极大的发展和进步。早期的车辆跟踪只是简单地通过人工观察和记录车辆的行驶轨迹。然而随着计算机技术的发展现代化的车辆跟踪技术不但可以实时查看车辆位置和行驶情况还可以对车辆的行驶数据进行分析和处理。 2. 车辆跟踪技术的原理和应用 车辆跟踪技术主要基于全球定位系统GPS和移动通信技术实现。我们可以通过GPS系统定位车辆的位置并通过移动通信技术将数据传输到远程控制中心。这些数据可以包括车辆的位置、速度、行驶路线等信息。车辆跟踪技术广泛应用于物流、货运、公共交通、执法等领域并为车辆管理提供了重要的数据支持和智能决策。 3. 测距技术的原理和应用 测距技术是车辆跟踪的重要组成部分。常见的测距技术包括雷达、激光、红外线和声波等。雷达测距是一种广泛应用于军事和民用领域的测距技术它可以通过发射和接收无线电波来确定目标物体的位置和距离。激光测距则是通过发射和接收激光束实现精确测距。这些测距技术广泛应用于车辆防撞系统、自动驾驶等领域。 4. 车辆跟踪及测距技术的优缺点与挑战 车辆跟踪及测距技术的优点在于可以实时跟踪车辆位置和行驶情况帮助车辆管理者更好地进行车辆调度和节约成本。而缺点则在于需要较高的技术成本和维护难度同时也存在侵犯隐私的风险。此外车辆跟踪及测距技术还需要应对日益复杂和多样化的车辆和行驶场景面临着不断升级和优化的挑战。 总之车辆跟踪及测距技术在现代交通和车辆管理中扮演着重要的角色。随着技术的发展和进步我们相信这些技术将会不断创新和完善为车辆管理和安全提供更好的保障和服务。
车辆跟踪及测距
该项目一个基于深度学习和目标跟踪算法的项目主要用于实现视频中的目标检测和跟踪。该项目使用了 YOLOv5目标检测算法和 DeepSORT 目标跟踪算法以及一些辅助工具和库可以帮助用户快速地在本地或者云端上实现视频目标检测和跟踪
yolov5 deepsort 行人/车辆检测 计数跟踪测距测速 实现了局域的出/入 分别计数。 显示检测类别ID数量。 默认是 南/北 方向检测若要检测不同位置和方向需要加以修改 可在 count_car/traffic.py 点击运行 默认检测类别行人、自行车、小汽车、摩托车、公交车、卡车、船。 检测类别可在 objdetector.py 文件修改。 具体代码实现 YOLOv5 DeepSORT技术的应用将为智能交通管理、智能监控系统等领域带来更加智能、高效的解决方案为人们的生活和工作提供更多便利与安全。随着技术的不断发展与完善我们有理由相信基于YOLOv5 DeepSORT的目标检测与跟踪技术将广泛应用于更多领域并取得更大的突破与创新。
实现了局域的出/入 分别计数。 显示检测类别ID数量。 默认是 南/北 方向检测若要检测不同位置和方向需要加以修改 可在 count_car/traffic.py 点击运行 默认检测类别行人、自行车、小汽车、摩托车、公交车、卡车、船。 检测类别可在 objdetector.py 文件修改。
代码运行
$ git clone 追踪代码
进入目录
$ cd unbox_yolov5_deepsort_counting
激活虚拟环境
$ source venv/bin/activate
升级pip
$ python -m pip install --upgrade pip
安装pytorch
$ pip install torch1.7.1cu110 torchvision0.8.2cu110 torchaudio0.7.2 -f https://download.pytorch.org/whl/torch_stable.html
在 demo.py 文件中设置要检测的视频文件路径默认为 ./video/test.mp4
capture cv2.VideoCapture(‘./video/test.mp4’)
运行程序
python count.py
demo代码
detector Detector()# 打开视频capture cv2.VideoCapture(VIDEO_PATH)while True:# 读取每帧图片_, im capture.read()if im is None:break# 缩小尺寸im cv2.resize(im, (width//2, height//2))list_bboxs []# 更新跟踪器output_image_frame, list_bboxs objtracker.update(detector, im)# 输出图片output_image_frame cv2.add(output_image_frame, color_polygons_image)if len(list_bboxs) 0:# ----------------------判断撞线----------------------for item_bbox in list_bboxs:x1, y1, x2, y2, _, track_id item_bbox# 撞线检测点(x1y1)y方向偏移比例 0.0~1.0y1_offset int(y1 ((y2 - y1) * 0.6))# 撞线的点y y1_offsetx x1if polygon_mask_blue_and_yellow[y, x] 1:# 如果撞 蓝polygonif track_id not in list_overlapping_blue_polygon:list_overlapping_blue_polygon.append(track_id)# 判断 黄polygon list里是否有此 track_id# 有此track_id则认为是 UP (上行)方向if track_id in list_overlapping_yellow_polygon:# 上行1up_count 1print(up count:, up_count, , up id:, list_overlapping_yellow_polygon)# 删除 黄polygon list 中的此idlist_overlapping_yellow_polygon.remove(track_id)elif polygon_mask_blue_and_yellow[y, x] 2:# 如果撞 黄polygonif track_id not in list_overlapping_yellow_polygon:list_overlapping_yellow_polygon.append(track_id)# 判断 蓝polygon list 里是否有此 track_id# 有此 track_id则 认为是 DOWN下行方向if track_id in list_overlapping_blue_polygon:# 下行1down_count 1print(down count:, down_count, , down id:, list_overlapping_blue_polygon)# 删除 蓝polygon list 中的此idlist_overlapping_blue_polygon.remove(track_id)# ----------------------清除无用id----------------------list_overlapping_all list_overlapping_yellow_polygon list_overlapping_blue_polygonfor id1 in list_overlapping_all:is_found Falsefor _, _, _, _, _, bbox_id in list_bboxs:if bbox_id id1:is_found Trueif not is_found:# 如果没找到删除idif id1 in list_overlapping_yellow_polygon:list_overlapping_yellow_polygon.remove(id1)if id1 in list_overlapping_blue_polygon:list_overlapping_blue_polygon.remove(id1)list_overlapping_all.clear()# 清空listlist_bboxs.clear()else:# 如果图像中没有任何的bbox则清空listlist_overlapping_blue_polygon.clear()list_overlapping_yellow_polygon.clear()# 输出计数信息text_draw DOWN: str(down_count) \ , UP: str(up_count)output_image_frame cv2.putText(imgoutput_image_frame, texttext_draw,orgdraw_text_postion,fontFacefont_draw_number,fontScale0.75, color(0, 0, 255), thickness2)cv2.imshow(Counting Demo, output_image_frame)cv2.waitKey(1)capture.release()cv2.destroyAllWindows()结果展示
