DeepSORT算法实现车辆和行人跟踪计数和是否道路违规检测(代码+教程)

本文主要是介绍DeepSORT算法实现车辆和行人跟踪计数和是否道路违规检测(代码+教程),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

DeepSORT算法是一种用于目标跟踪的算法,它可以对车辆和行人进行跟踪计数,并且可以检测是否存在道路违规行为。该算法采用深度学习技术来提取特征,并使用卡尔曼滤波器来估计物体的速度和位置。

DeepSORT算法通过首先使用目标检测算法来识别出场景中的车辆和行人,然后使用卷积神经网络(CNN)来提取物体的特征。接着,该算法使用余弦相似度来计算物体之间的相似度,并使用匈牙利算法来匹配跟踪器和检测器之间的物体。最后,DeepSORT算法使用卡尔曼滤波器来预测物体的位置和速度,并更新跟踪器状态。

除了可以进行目标跟踪计数外,DeepSORT算法还可以用于道路违规检测。例如,该算法可以检测车辆是否违规超速或跨越道路中心线等。此外,DeepSORT算法还可以应用于视频监控、智能交通和自动驾驶等领域。

总之,DeepSORT算法是一种用于目标跟踪的高效算法,它可以用于车辆和行人的跟踪计数,并且可以检测道路违规行为。在未来,该算法将会在各种领域中有广泛的应用价值。

特征提取

此处面对的场景是是交通摄像头下的马路场景,数据格式为视频流或者视频,所以我们要提取视频的第一帧作为背景来进行车道线的标定,运行extra.py文件即可提取第一帧背景图片。

 车道线和斑马线

根据第一步提取的场景背景图片,进行道路信息的标定,并返回道路信息的相关参数。
标定的方式是运行车道线标定文件即可。
先鼠标在背景图片上从左至右依次点击红色的两边的车道线实线,然后鼠标再依次在背景图片点击斑马线绿色框的从左至右四个顶点。这样就可以将斑马线和车道线的位置信息进行提取了,项目目录下会生成如上图标记好了的输出图片如上。

车牌识别


车牌号使用车牌号的识别是从车辆出现在画面的第一帧开始,一直到车辆消失在画面中。我们并不能事先确定在哪一帧对车牌的识别效果最好。因此,我们在车辆出现的第一帧,就将它的id和车牌信息传入字典chepaixinxi保存起来。如果当前帧比之前的识别效果都好(置信度高),我们就用它替换之前的车牌信息。另一方面,为了节省计算资源,只要是该车在某一帧的车牌置信度高于0.9,我们就不再将其传入车牌识别模块,运行LPR.py即可提取车牌信息,提取效果如下图所示

 

import cv2
import numpy as np
import math""" 输入图像归一化 """def stretch(img):max = float(img.max())min = float(img.min())for i in range(img.shape[0]):for j in range(img.shape[1]):img[i, j] = (255 / (max - min)) * img[i, j] - (255 * min) / (max - min)return imgdef dobinaryzation(img):max = float(img.max())min = float(img.min())x = max - ((max - min) / 2)ret, thresholdimg = cv2.threshold(img, x, 255, cv2.THRESH_BINARY)return thresholdimgdef find_retangle(contour):y, x = [], []for p in contour:y.append(p[0][0])x.append(p[0][1])return [min(y), min(x), max(y), max(x)]def locate_license(img, orgimg):img, contours, hierachy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)# 找到最大的三个区域blocks = []for c in contours:# 找出轮廓的左上和右下点,计算出其面积和长宽比r = find_retangle(c)a = (r[2] - r[0]) * (r[3] - r[1])s = (r[2] - r[0]) / (r[3] - r[1])blocks.append([r, a, s])# 选出面积最大的3个区域blocks = sorted(blocks, key=lambda b: b[2])[-3:]# 使用颜色识别判断出最像车牌的区域maxweight, maxinedx = 0, -1for i in range(len(blocks)):b = orgimg[blocks[i][0][1]:blocks[i][0][3], blocks[i][0][0]:blocks[i][0][2]]# RGB 转HSVhsv = cv2.cvtColor(b, cv2.COLOR_BGR2HSV)# 蓝色车牌范围lower = np.array([100, 50, 50])upper = np.array([140, 255, 255])# 根据阈值构建掩膜mask = cv2.inRange(hsv, lower, upper)# 统计权值w1 = 0for m in mask:w1 += m / 255w2 = 0for w in w1:w2 += w# 选出最大权值的区域if w2 > maxweight:maxindex = imaxweight = w2return blocks[maxindex][0]def find_license(img):'''预处理'''# 压缩图像a = 400 * img.shape[0] / img.shape[1]a = int(a)img = cv2.resize(img, (400, a))cv2.imshow('img',img)cv2.waitKey()# RGB转灰色grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)cv2.imshow('grayimg', grayimg)cv2.waitKey()# 灰度拉伸stretchedimg = stretch(grayimg)cv2.imshow('stretchedimg', stretchedimg)cv2.waitKey()# 进行开运算,用来去除噪声r = 16h = w = r * 2 + 1kernel = np.zeros((h, w), dtype=np.uint8)cv2.circle(kernel, (r, r), r, 1, -1)openingimg = cv2.morphologyEx(stretchedimg, cv2.MORPH_OPEN, kernel)cv2.imshow('openingimg', openingimg)cv2.waitKey()strtimg = cv2.absdiff(stretchedimg, openingimg)cv2.imshow('strtimg', strtimg)cv2.waitKey()# 图像二值化binaryimg = dobinaryzation(strtimg)cv2.imshow('binaryimg', binaryimg)cv2.waitKey()# Canny算子进行边缘检测cannyimg = cv2.Canny(binaryimg, binaryimg.shape[0], binaryimg.shape[1])cv2.imshow('cannyimg', cannyimg)cv2.waitKey()'''消除小区域,连通大区域'''# 进行闭运算kernel = np.ones((5, 19), np.uint8)closingimg = cv2.morphologyEx(cannyimg, cv2.MORPH_CLOSE, kernel)cv2.imshow('closingimg', closingimg)cv2.waitKey()# 进行开运算openingimg = cv2.morphologyEx(closingimg, cv2.MORPH_OPEN, kernel)cv2.imshow('openingimg', openingimg)cv2.waitKey()# 再次进行开运算kernel = np.ones((11, 5), np.uint8)openingimg = cv2.morphologyEx(openingimg, cv2.MORPH_OPEN, kernel)cv2.imshow('openingimg', openingimg)cv2.waitKey()# 消除小区域,定位车牌位置rect = locate_license(openingimg, img)return rect, imgif __name__ == '__main__':orgimg = cv2.imread('car3.jpg')rect, img = find_license(orgimg)cv2.rectangle(img, (rect[0], rect[1]), (rect[2], rect[3]), (0, 255, 0), 2)cv2.imshow('img', img)cv2.waitKey()cv2.destroyAllWindows()

车辆越实线、不礼让行人检测

我们将车辆在上一帧的检测位置保存下来。如果车辆在上一帧的位置和在这一帧的位置分别位于车道线实线的两侧,或者落在了实线上,我们就判定车辆非法越实线了。行人在斑马线上时,车辆也在斑马线上 ==>车辆不礼让行人,运行效果图:

# 生成感兴趣区域即Mask掩模
def region_of_interest(image, vertices):mask = np.zeros_like(image)  # 生成图像大小一致的zeros矩# 填充顶点vertices中间区域if len(image.shape) > 2:channel_count = image.shape[2]ignore_mask_color = (255,) * channel_countelse:ignore_mask_color = 255# 填充函数cv.fillPoly(mask, vertices, ignore_mask_color)masked_image = cv.bitwise_and(image, mask)return masked_image# 生成Mask掩模vertices = np.array([[(0, imshape[0]), (9 * imshape[1] / 20, 11 * imshape[0] / 18),(11 * imshape[1] / 20, 11 * imshape[0] / 18), (imshape[1], imshape[0])]], dtype=np.int32)masked_edges = region_of_interest(edge_image, vertices)

企鹅耗子:767172261

这篇关于DeepSORT算法实现车辆和行人跟踪计数和是否道路违规检测(代码+教程)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/661208

相关文章

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1:用psutil库(推荐)三、方法2:用os.system调用

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Android实现在线预览office文档的示例详解

《Android实现在线预览office文档的示例详解》在移动端展示在线Office文档(如Word、Excel、PPT)是一项常见需求,这篇文章为大家重点介绍了两种方案的实现方法,希望对大家有一定的... 目录一、项目概述二、相关技术知识三、实现思路3.1 方案一:WebView + Office Onl

C# foreach 循环中获取索引的实现方式

《C#foreach循环中获取索引的实现方式》:本文主要介绍C#foreach循环中获取索引的实现方式,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、手动维护索引变量二、LINQ Select + 元组解构三、扩展方法封装索引四、使用 for 循环替代

Spring Security+JWT如何实现前后端分离权限控制

《SpringSecurity+JWT如何实现前后端分离权限控制》本篇将手把手教你用SpringSecurity+JWT搭建一套完整的登录认证与权限控制体系,具有很好的参考价值,希望对大家... 目录Spring Security+JWT实现前后端分离权限控制实战一、为什么要用 JWT?二、JWT 基本结构

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2