用OpenCV计算道路交通流量的一个直观教程

这篇文章将向你展示一个非常简单但功能强大的示例,说明如何使用你可以在设备上运行的算法来计算交通流量。

阅读本文之前,建议你阅读这篇关于道路交通分类的文章,它提到了我们在本项目中将要介绍的基础管道架构的一部分。

文章地址:http://www.atyun.com/7883_基于计算机视觉和opencv:创建一个能够计算道路交通.html

本项目需要的完整代码:

https://github.com/creotiv/object_detection_projects/tree/master/opencv_traffic_capacity_counting

这个算法包括4个步骤:

1.获得车架边缘 2.模糊车架边缘以得到更多填充区 3.二进制阈值将图像变得模糊 4.重叠阈值图像中你感兴趣的区域(重点区域),你可以在你的计算位置上进行掩膜,并在提供了最大车辆通行量的情况下计算黑像素/白像素。

下面你可以看到每一个步骤的图示:

class CapacityCounter(PipelineProcessor):


    def __init__(self, area_mask, save_image=False, image_dir='./'):
         super(CapacityCounter,self).__init__()

        self.area_mask= area_mask
         self.all = np.count_nonzero(area_mask)
         self.image_dir= image_dir
        self.save_image= save_image


    def calculate_capacity(self, frame, frame_number):
         base_frame= frame
         # CLAHE (Contrast Limited Adaptive Histogram Equalization)
         # this used for noise reduction at night time
         frame= cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY)
         clahe= cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
         cl1= clahe.apply(frame)


         # getting edges with Canny filter
         edges= cv2.Canny(frame,50,70)
         # invert them to get white background
         edges= ~edges


         # blur with additional use of bilateralFilter to remove color noise
         blur= cv2.bilateralFilter(cv2.blur(edges,(21,21),100),9,200,200)


         # threshold with ROI overlapping
         _, threshold= cv2.threshold(blur,230,255,cv2.THRESH_BINARY)
        t= cv2.bitwise_and(threshold,threshold,mask= self.area_mask)


         # counting capacity area
         free= np.count_nonzero(t)
         capacity= 1 - float(free)/self.all


         # creating plot for debugging and visualization
         if self.save_image:
             img= np.zeros(base_frame.shape, base_frame.dtype)
             img[:, :]= EXIT_COLOR
             mask= cv2.bitwise_and(img, img, mask=self.area_mask)
             cv2.addWeighted(mask,1, base_frame,1,0, base_frame)


             fig= plt.figure()
             fig.suptitle("Capacity: {}%".format(capacity*100), fontsize=16)
            plt.subplot(221),plt.imshow(base_frame),plt.title('Original')
            plt.xticks([]), plt.yticks([])
            plt.subplot(222),plt.imshow(edges),plt.title('Cany edges')
             plt.xticks([]), plt.yticks([])
             plt.subplot(223),plt.imshow(blur),plt.title('Blur')
             plt.xticks([]), plt.yticks([])
             plt.subplot(224),plt.imshow(t),plt.title('Threshold with ROI mask')
             plt.xticks([]), plt.yticks([])


             fig.savefig(self.image_dir+ ("/processed_%s.png" % frame_number), dpi=500)


         return capacity

     def __call__(self, context):
         frame= context['frame'].copy()
     frame_number= context['frame_number']
                   capacity= self.calculate_capacity(frame, frame_number)

       self.log.debug("Capacity: {}%".format(capacity*100))
       context['capacity']= capacity

        return context

边缘

使用CLAHE(限制对比度的自适应直方图均衡)来消除图像上的噪声,然后使用Canny边缘检测器从图像中获取边缘。最后把它转化成白色背景(只是为了方便视觉)。

更多信息:CLAHE:http://docs.opencv.org/3.1.0/d5/daf/tutorial_py_histogram_equalization.html

Canny边缘检测器:http://docs.opencv.org/trunk/da/d22/tutorial_py_canny.html

模糊

我们使用基本的模糊和双边滤波(Bilateral filter)算法来消除一些颜色的噪声,并提供更好的分割。

阈值

最后的滤波是一个二进制的阈值,只使用白色和黑色的像素作为我们对汽车/非汽车的分割。

计算

最后一个简单的步骤就是将黑像素的数量与白像素的数量进行区分,以获得最大车流量。

问题

由于一些相机的噪声和户外条件不同,精确度可能不会达到70-85%。但这并不是一个大问题,因为我们可以设置最小值/最大值的限制,或者根据光照条件使用额外的滤波,比如测试一些重点区域的边缘(例如一些白矩形)。而且这些数据主要用作额外的数据,所以只需要相对值。

为什么需要这些数据?

所有数据都是必需的,即使你现在不知道如何使用它们。在使用这些数据的情况下,我们可以解释为什么在某个时间点上最大车流量是有限的。

为什么不使用一个大的算法来完成所有的工作呢?

你必须记住的主要事情是,在数据科学项目中,它们不仅应该在领域中有效,而且对于业务来说也应该具有成本效益,包括速度、内存使用、可伸缩性、一小时运行时的成本和规模。

高效运行在任何条件下是没有算法的,例如,排序算法,被用于本地项目而不会被用于大数据项目因为它的速度十分缓慢,大数据算法不会用于本地项目的原因也同理(因为它们只有在大的数据量上更快)。

因此,你应该了解你的项目和业务限制,从而构建你的管道。

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2017-09-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技评论

CVPR 2018中国论文分享会 之「人物重识别及追踪」

本文为 2018 年 5 月 11 日在微软亚洲研究院进行的 CVPR 2018 中国论文宣讲研讨会中第三个 Session——「Person Re-Ident...

2274
来自专栏机器之心

学界 | 5.5%语音识别词错率究竟如何炼成?IBM发布相关研究论文

选自arXiv 机器之心编译 参与:晏奇、吴攀 语音识别是人工智能领域所研究的核心问题之一,研究者一直以来都在竞相努力以期能首先达到比肩人类的里程碑。去年十月,...

35012
来自专栏企鹅号快讯

Kaggle大神带你上榜单Top2%:点击预测大赛纪实(下)

作者:Gabriel Moreira 编译:修竹、柳青秀、王梦泽、钱天培 在上周,文摘菌为大家介绍了资深数据科学家Gabriel参加Kaggle的Outbrai...

3478
来自专栏量子位

吃瓜笔记 | 旷视研究院解读Light-Head R-CNN:平衡精准度和速度

主讲人:黎泽明 | 旷视研究院研究员 屈鑫 编辑整理 量子位 出品 | 公众号 QbitAI 12月20日晚,量子位·吃瓜社联合Face++论文解读系列第三期开...

3295
来自专栏JackieZheng

基于改进人工蜂群算法的K均值聚类算法(附MATLAB版源代码)

  其实一直以来也没有准备在园子里发这样的文章,相对来说,算法改进放在园子里还是会稍稍显得格格不入。但是最近邮箱收到的几封邮件让我觉得有必要通过我的博客把过去做...

38110
来自专栏人工智能头条

CS231n李飞飞CV课程辅导笔记(2):KNN

全球最大的专注于大数据分析、数据仓库和整合营销管理解决方案的供应商之一的Teradata, VP Atif Kureishy 预言人工智能的未来,是机器人和计算...

713
来自专栏CVer

[计算机视觉论文速递] 2018-06-11

这篇文章有4篇论文速递信息,涉及CNN pruning、新的人脸识别数据集、森林树木分类和交通标志检测等方向。

1282
来自专栏人工智能头条

模仿学习(Imitation Learning)完全介绍

4835
来自专栏人工智能头条

八大步骤,用机器学习解决90%的NLP问题

1663
来自专栏LhWorld哥陪你聊算法

【数学基础篇】--详解人工智能之数学 积分学,概率空间,大数定律和中心极限定理

牛顿-莱布尼茨公式展示了微分与积分的基本关系: 在一定程度上微分与积分互 为逆运算.

1371

扫码关注云+社区