图像轮廓

图像轮廓概述

图像轮廓是具有相同颜色或强度的连续点的曲线
作用：
- 可以用于图形分析
- 物体的识别与检测
注意：
- 为了检测的准确性，需要先对图像进行二值化或Canny操作
- 画轮廓时会修改输入的图像
轮廓查找API：
findContours(img,mode,ApproximationMode,…)
- mode：模式，对查找到的轮廓如何处置
  - RETR_EXTERNAL = 0, 表示只检测外轮廓
  - RETR_LIST = 1,检测的轮廓不建立等级关系
  - RETR_CCOMP = 2,每层最多两级
  - RETR_TREE = 3,按树形存储轮廓
- ApproximationMode：近似模式
  - CHAIN_APPROX_NODE,保存所有轮廓上的点
  - CHAIN_APPROX_SIMPLE,只保存角点
有两个返回值：contours（所有轮廓）和hierarchy（层级关系）

查找轮廓

#转变成单通道
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化
ret,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)
#轮廓查找
contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

绘制轮廓

drawContours(img,contours,contourIdx,color,thichness…)
- contourIdx轮廓顺序号，-1表示绘制所有轮廓
- color轮廓颜色
- thichness线宽，-1是全部填充

#绘制轮廓
cv2.drawContours(img,contours,-1,(0,0,255),1)

轮廓的面积和周长

轮廓的面积contourArea(contour)
轮廓的周长arcLength(curve,closed)
- curve轮廓曲线
- closed是否是闭合的轮廓

#计算面积
area = cv2.contourArea(contours[0])
print("area = %d"%(area))
#计算周长
len = cv2.arcLength(contours[0],true)

多边形逼近与凸包

多边形逼近，可凸可凹，更接近真实物体
多边形逼近作用：减少了存储的数据量，同时将特征点描述出来
- 特征点可多可少，精度调高，逼近更真实；反之则数据量更少
approxPolyDP(curve,epsilon,closed)
- curve 曲线、轮廓
- epsilon 精度
- closed 是否是闭合曲线

e = 20 #设置精度
approx = cv2.approxPolyDP(contours[0],e,True)
#画线函数
def drawShape(src,points):
    while i < len(points):
        if(i == len(points) - 1)
        	x,y = points[i][0]
        	x1,y1 = points[0][0]
        	cv2.line(src,(x,y),(x1,y1),(0,0,255),3)
        else:
            x,y = points[i][0]
        	x1,y1 = points[i+1][0]
        	cv2.line(src,(x,y),(x1,y1),(0,0,255),3)
        i = i + 1
#绘制
drawShape(img,approx)

凸包：只能凸出，不会下凹，只画出大致轮廓
convexHull(points,clockwise,…)
- points 轮廓
- clockwise 顺时针绘制

hull = cv2.convexHull(contours[0])
drawShape(img,hull)

外接矩阵

最小外接矩阵红框知道物体有没有旋转，以及旋转角度
minAreaRect(points)
- points 轮廓
- 返回值：RotatedRect
  - x,y 起始点
  - width,height
  - angle 旋转角度
最大外接矩阵绿框
boundingRect(array)
- array 轮廓
- 返回值：Rect
  - x,y 起始点
  - width,height

r = minAreaRect(contours[1])
box = cv2.boxPoints(r) #拿到起始点和宽高
box = np.int0(box) #将浮点型box转换为int型
cv2.drawContours(img,[box],0,(0,0,255),2)

x,y,w,h = cv2.boundingRect(contours[1])
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

[实战]车辆统计

项目总览

涉及到的内容

窗口的展示
图像/视频的加载
基本图像的绘制
车辆识别
- 基本图像的运算与处理
- 形态学
- 轮廓查找

涉及到的知识点

加载视频
通过形态学识别车辆
对车辆进行统计
显示车辆的统计信息

加载视频

import cv2
import numpy as np

#加载视频
cap = cv2.VideoCapture('video.mp4')

#视频由很多帧组成 循环读取
while True:
    ret, frame = cap.read() #ret读取视频帧是否成功，frame读取视频帧
    if(ret == True):
        cv2.imshow('video',frame)
        
    key = cv2.waitKey(1)
    if(key == 27): #27为ESC键
        break
#释放资源
cap.release()
cv2.destroyAllWindows()

去除背景

createBackgroundSubtractorMOG(…)
- history = 200

bgsubmog = cv2.createBackgroundSubtractorMOG()

形态学处理

#腐蚀,去除图中小斑块
erode = cv2.eroed(mask,kernel)
#膨胀，还原放大
dilate = cv2.dilate(erode,kernel,iterations = 3)
#闭操作，去除物体内部的小块
close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
close = cv2.morphologyEx(close,cv2.MORPH_CLOSE,kernel)
#绘制轮廓
cnts, h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
for(i,c) in enumerate(cnts):
    (x,y,w,h) = cv2.boundingRect(c)
    cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)

逻辑处理车辆统计

#对车辆的宽高进行判断
#以验证是否是有效的车辆
isValid = (w>=min_w) and (h>=min_h)
if(not isValid):
    continue
#到这里都是有效的车
cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)
#取出车的中心点
cpoint = center(x,y,w,h)
cars.append(cpoint)
            
#中心点落在线内,统计
for (x,y) in cars:
#要有一条线，有范围，从数组中减去
	if((y > line_high - offset) and (y < line_high + offset)):
		carno += 1
		cars.remove((x,y))
		print(carno)

显示车辆统计信息

cv2.putText(frame,"Cars Count:" + str(carno),(500,60),cv2.FONT_HERSHEY_SIMPLEX,2,(255,0,0),5)

同时进行线高、偏移等参数，使其检测尽可能准确
后期完善：进行深度学习的数据训练

完整代码

import cv2
import numpy as np

min_w = 90
min_h = 90

#检测线的高度
line_high = 550

#线的偏移
offset = 7

#统计车的数量
carno = 0

#存放有效车辆的数组
cars = []

#获取中心点
def center(x,y,w,h):
    x1 = int(w/2)
    y1 = int(h/2)
    cx = x + x1
    cy = y + y1
    return cx,cy

#加载视频
cap = cv2.VideoCapture('video.mp4')

bgsubmog = cv2.createBackgroundSubtractorMOG()

#形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

#视频由很多帧组成 循环读取
while True:
    ret, frame = cap.read() #ret读取视频帧是否成功，frame读取视频帧
    if(ret == True):
        #灰度化
        cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        #高斯去噪点
        blur = cv2.GuassianBlur(frame,(3,3),5)
        #去背景
        mask = bgsubmog.apply(blur)
        
        #腐蚀,去除图中小斑块
        erode = cv2.eroed(mask,kernel)
        #膨胀，还原放大
        dilate = cv2.dilate(erode,kernel,iterations = 3)
        #闭操作，去除物体内部的小块
        close = cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)
        close = cv2.morphologyEx(close,cv2.MORPH_CLOSE,kernel)
        #绘制轮廓
        cnts, h = cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
        
        cv2.line(frame,(10,line_high),(1200,line_hjgh),(255,255,0),3)
        
        for(i,c) in enumerate(cnts):
            (x,y,w,h) = cv2.boundingRect(c)
            
            #对车辆的宽高进行判断
            #以验证是否是有效的车辆
            isValid = (w>=min_w) and (h>=min_h)
            if(not isValid):
                continue
            #到这里都是有效的车
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)
            #取出车的中心点
            cpoint = center(x,y,w,h)
            cars.append(cpoint)
            
            #中心点落在线内,统计
            for (x,y) in cars:
                #要有一条线，有范围，从数组中减去
                if((y > line_high - offset) and (y < line_high + offset)):
                    carno += 1
                    cars.remove((x,y))
                    print(carno)
        cv2.putText(frame,"Cars Count:" + str(carno),(500,60),cv2.FONT_HERSHEY_SIMPLEX,2,(255,0,0),5)
        cv2.imshow('video',framw)
        
    key = cv2.waitKey(1)
    if(key == 27): #27为ESC键
        break
#释放资源
cap.release()
cv2.destroyAllWindows()