基于Python和OpenCV的车流量识别与车速检测

随着城市交通的不断发展,车流量监测和车速检测变得越来越重要。这不仅有助于交通管理部门实时掌握交通状况,还能为后续的交通规划和改进提供数据支持。本文将介绍如何使用Python和OpenCV实现车流量识别和车速检测的基本方法。

一、环境准备

在开始之前,我们需要安装OpenCV库。可以使用以下命令进行安装:

pip install opencv-python
pip install opencv-python-headless
pip install numpy

二、车流量识别

车流量识别主要是通过摄像头获取视频,然后对每一帧图像进行处理,检测出图像中的车辆。我们可以使用OpenCV中的背景减除(Background Subtraction)方法来实现。

以下是车流量识别的基本代码示例:

import cv2
import numpy as np

# 创建视频捕获对象
cap = cv2.VideoCapture('traffic_video.mp4')

# 创建背景减除器
fgbg = cv2.createBackgroundSubtractorMOG2()

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 应用背景减除器
    fgmask = fgbg.apply(frame)

    # 形态学操作,去除噪声
    kernel = np.ones((5, 5), np.uint8)
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_CLOSE, kernel)

    # 轮廓检测
    contours, _ = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    vehicle_count = 0
    for contour in contours:
        area = cv2.contourArea(contour)
        if area > 500:  # 根据面积过滤噪声
            vehicle_count += 1
            x, y, w, h = cv2.boundingRect(contour)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

    # 显示车流量和视频
    cv2.putText(frame, f'当前车流量: {vehicle_count}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
    cv2.imshow('Frame', frame)
    cv2.imshow('FGMask', fgmask)

    if cv2.waitKey(30) & 0xFF == 27:  # 按ESC键退出
        break

cap.release()
cv2.destroyAllWindows()

在上面的代码中,我们使用背景减除技术来分离运动的车辆,并通过轮廓检测来计算当前帧中的车辆数量。

三、车速检测

车速检测相对复杂,我们可以利用图像序列中车辆的移动距离和时间差来计算速度。以下是一个简单的车速检测的代码示例:

import cv2
import numpy as np

# 定义一些全局变量
previous_positions = []

def calculate_speed(current_position, previous_position, fps):
    # 计算车辆在帧之间的距离(像素)
    distance = np.linalg.norm(np.array(current_position) - np.array(previous_position))
    # 假设1像素对应0.05米,计算速度(米/秒)
    speed = (distance * 0.05) * fps
    return speed

cap = cv2.VideoCapture('traffic_video.mp4')
fgbg = cv2.createBackgroundSubtractorMOG2()
fps = cap.get(cv2.CAP_PROP_FPS)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    fgmask = fgbg.apply(frame)
    kernel = np.ones((5, 5), np.uint8)
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_CLOSE, kernel)

    contours, _ = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    for contour in contours:
        area = cv2.contourArea(contour)
        if area > 500:  # 根据面积过滤噪声
            x, y, w, h = cv2.boundingRect(contour)
            current_position = (x + w // 2, y + h // 2)  # 车辆中心点

            if previous_positions:  # 如果有上一帧的位置
                previous_position = previous_positions[-1]
                speed = calculate_speed(current_position, previous_position, fps)
                cv2.putText(frame, f'速度: {speed:.2f} 米/秒', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)

            previous_positions.append(current_position)

    # 限制保存位置的数量,避免内存泄漏
    if len(previous_positions) > 10:
        previous_positions.pop(0)

    cv2.imshow('Frame', frame)
    cv2.imshow('FGMask', fgmask)

    if cv2.waitKey(30) & 0xFF == 27:  # 按ESC键退出
        break

cap.release()
cv2.destroyAllWindows()

在这个示例中,我们计算车辆在帧之间的位移,并计算速度。请注意,速度取决于设置的像素与米的换算值,视具体情况而定。

四、总结

通过以上示例代码,我们实现了基本的车流量识别和车速检测功能。当然,实际应用中可能需要进行更复杂的处理,包括车辆的轨迹跟踪、误检测的消除等。希望这个简单的实现能为你在交通监测系统的研究及开发提供一些思路和参考。

点赞(0) 打赏

微信小程序

微信扫一扫体验

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部