介紹
我喜歡智慧城市的理念。自動智能能源系統、電網、一鍵接入埠的想法等等。這是一個令人著迷的概念！老實說，這是一個數據科學家的夢想，我很高興世界上很多城市都在朝著更智能的方向發展。
智能城市的核心組成部分之一是自動交通管理。這不禁讓我思考——我能用我的數據科學知識來建立一個車輛檢測模型，在智能交通管理中發揮作用嗎？
想想看，如果你能在紅綠燈攝像頭中集成車輛檢測系統，你可以輕鬆地同時跟蹤許多有用的東西：
白天交通路口有多少輛車？什麼時候交通堵塞？什麼樣的車輛（重型車輛、汽車等）正在通過交叉路口？有沒有辦法優化交通，並通過不同的街道進行分配？還有很多例子就不一一列舉。應用程式是無止境的！
我們人類可以很容易地在一瞬間從複雜的場景中檢測和識別出物體。然而，將這種思維過程轉化為機器的思維，需要我們學習使用計算機視覺算法進行目標檢測。
因此在本文中，我們將建立一個自動車輛檢測器和計數器模型。以下視頻是你可以期待的體驗：
https://youtu.be/C_iZ2yivskE
注意：還不懂深度學習和計算機視覺的新概念？以下是兩門熱門課程，可開啟你的深度學習之旅：
深度學習基礎（https://courses.analyticsvidhya.com/courses/fundamentals-of-deep-learning?utm_source=blog&utm_medium=vehicle-detection-opencv-python）利用深度學習的計算機視覺（https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2?utm_source=blog&utm_medium=vehicle-detection-opencv-python）目錄
視頻中運動目標檢測的思想視頻中目標檢測的真實世界用例視頻目標檢測的基本概念 幀差分 圖像閾值 檢測輪廓 圖像膨脹利用OpenCV構建車輛檢測系統視頻中運動目標檢測的思想
目標檢測是計算機視覺中一個引人入勝的領域。當我們處理視頻數據時，它達到了一個全新的水平，複雜性上升了一個等級，但也有回報!
我們可以使用目標檢測算法來執行超級有用的高價值任務，如監視、交通管理、打擊犯罪等。下面的GIF圖演示了這個想法：
在目標檢測中，我們可以執行許多子任務，例如計算目標數量、查找目標的相對大小或查找目標之間的相對距離。這些子任務都很重要，因為它們有助於解決一些最棘手的現實問題。
如果你希望從頭開始學習目標檢測，我建議你使用以下教程：
逐步介紹基本的目標檢測算法（https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1/?utm_source=blog&utm_medium=vehicle-detection-opencv-python）利用SlimYOLOv3進行實時目標檢測（https://www.analyticsvidhya.com/blog/2019/08/introduction-slimyolov3-real-time-object-detection/?utm_source=blog&utm_medium=vehicle-detection-opencv-python）其他目標檢測物品和資源（https://www.analyticsvidhya.com/blog/tag/object-detection/?utm_source=blog&utm_medium=vehicle-detection-opencv-python）讓我們看看一些令人興奮的現實世界中的目標檢測用例。
視頻中目標檢測的真實世界用例
如今，視頻目標檢測正被廣泛應用於各個行業。使用案例從視頻監控到體育廣播，再到機器人導航。
好消息是，在未來的視頻目標檢測和跟蹤用例中，可能性是無窮的。這裡我列出了一些有趣的應用程式：
人群計數（https://www.analyticsvidhya.com/blog/2019/02/building-crowd-counting-model-python/）車牌檢測與識別運動中的球跟蹤（https://www.analyticsvidhya.com/blog/2020/03/ball-tracking-cricket-computer-vision/）機器人學交通管理（我們將在本文中看到這個想法）視頻目標檢測的基本概念
在開始構建視頻檢測系統之前，你應該知道一些關鍵概念。一旦你熟悉了這些基本概念，就可以為你選擇的任何用例構建自己的檢測系統。
那麼，你希望如何檢測視頻中的移動目標？
我們的目標是捕捉運動物體的坐標並在視頻中突出顯示該物體。請考慮下面視頻中的這一幀：
我們希望我們的模型能夠檢測視頻中的運動目標，如上圖所示。檢測到移動的汽車，並在汽車周圍創建一個邊界框。
解決這個問題有多種方法。你可以為目標檢測訓練一個深度學習模型，也可以選擇一個預先訓練好的模型並根據你的數據對其進行微調。然而，這些方法都是有監督的學習方法，需要標記數據來訓練目標檢測模型。
在本文中，我們將重點討論視頻中無監督的目標檢測方法，即不使用任何標記數據的目標檢測。我們將使用幀差分技術。讓我們了解它是如何工作的！
幀差分
視頻是一組按正確順序堆疊在一起的幀。所以，當我們看到一個物體在視頻中移動時，這意味著這個物體在每一個連續的幀上都處於不同的位置。
如果我們假設除了該目標之外，在一對連續的幀中沒有其他物體移動，那麼第一幀與第二幀的像素差將突出顯示移動目標的像素。現在，我們得到了移動物體的像素和坐標。這就是幀差分法的工作原理。
舉個例子。考慮視頻中的以下兩個幀：
你能看出這兩幀的區別嗎？
握筆的手的位置從第1幀變為第2幀。其餘的物體根本沒有移動。所以，正如我前面提到的，為了定位移動目標，我們將執行幀差分。結果如下：
你可以看到高亮或白色區域，這是手最初出現的地方。除此之外，記事本的邊緣也會突出顯示一點。這可能是由於手的移動改變了光照。建議不要對靜止物體進行不必要的檢測。因此，我們需要對幀執行某些圖像預處理步驟。
圖像閾值
在這種方法中，灰度圖像的像素值根據閾值被指定為表示黑白顏色的兩個值之一。因此，如果一個像素的值大於一個閾值，它被賦予一個值，否則它被賦予另一個值。
在本例中，我們將對上一步驟中幀差分的輸出圖像應用圖像閾值：
你可以看到，不需要的高亮區域的大部分已經消失了。高亮顯示的「記事本」邊緣不再可見。合成的圖像也可以稱為二值圖像，因為其中只有兩種顏色。在下一個步驟中，我們將看到如何捕獲這些高亮區域。
檢測輪廓
輪廓用於識別圖像中具有相同顏色或強度的區域的形狀。輪廓就是目標區域周圍的邊界。因此，如果我們在閾值步驟後對圖像應用輪廓檢測，我們將得到以下結果：
白色區域被淺灰色的邊界所包圍，這些邊界就是輪廓。我們很容易得到這些輪廓的坐標。這意味著我們可以得到高亮區域的位置。
請注意，有多個高亮顯示區域，每個區域由輪廓包圍。在我們的例子中，具有最大面積的輪廓是我們期望的區域。因此，輪廓最好儘可能少。
在上圖中，仍然有一些不必要的白色區域碎片。還有改進的餘地。我們的想法是合併附近的白色區域以獲得更少的輪廓，為此，我們可以使用另一種稱為圖像膨脹的技術。
圖像膨脹
這是對圖像的卷積操作，其中核心（矩陣）傳遞到整個圖像上。為了給你直覺，右邊的圖像是左邊圖像的放大版本：
所以，讓我們對我們的圖像進行圖像膨脹，然後我們將再次找到輪廓：
事實證明，許多支離破碎的區域已經相互融合。現在我們可以再次在這張圖片中找到輪廓：
在這裡，我們只有四個候選輪廓，從中我們可以選擇一個有最大面積的輪廓。也可以在原始幀上繪製這些輪廓，以查看輪廓圍繞移動目標的情況：
用OpenCV和Python構建車輛檢測系統
我們準備建立我們的車輛檢測系統！在這個實現中，我們將大量使用計算機視覺庫OpenCV（4.0.0版）(https://www.analyticsvidhya.com/blog/2019/03/opencv-functions-computer-vision-python/?utm_source=blog&utm_medium=vehicle-detection-opencv-python) 。我們先導入所需的庫和模塊。
導入庫
import osimport reimport cv2 # opencv libraryimport numpy as npfrom os.path import isfile, joinimport matplotlib.pyplot as plt導入視頻幀
請從此連結下載原始視頻的幀。
https://drive.google.com/file/d/1P0yiO5KlnU8dGgB_L68KB_hjIvUec55f/view
將框架保存在工作目錄中名為「frames」的文件夾中。從該文件夾中，我們將導入幀並將其保存在列表中：
# get file names of the framescol_frames = os.listdir('frames/')# sort file namescol_frames.sort(key=lambda f: int(re.sub('\D', '', f)))# empty list to store the framescol_images=[]for i in col_frames: # read the frames img = cv2.imread('frames/'+i) # append the frames to the list col_images.append(img)數據探索
讓我們顯示兩個連續的幀：
# plot 13th framei = 13for frame in [i, i+1]: plt.imshow(cv2.cvtColor(col_images[frame], cv2.COLOR_BGR2RGB)) plt.title("frame: "+str(frame)) plt.show()
很難在這兩個框架中找到區別，不是嗎？如前所述，獲取兩個連續幀的像素值的差值將有助於我們觀察移動目標。那麼，讓我們在上面兩個幀上使用該技術：
# convert the frames to grayscalegrayA = cv2.cvtColor(col_images[i], cv2.COLOR_BGR2GRAY)grayB = cv2.cvtColor(col_images[i+1], cv2.COLOR_BGR2GRAY)# plot the image after frame differencingplt.imshow(cv2.absdiff(grayB, grayA), cmap = 'gray')plt.show()
現在我們可以清楚地看到第13幀和第14幀中的移動目標。其他沒有移動的東西都被減去了。
圖像預處理
讓我們看看對上面的圖像應用閾值後會發生什麼：
diff_image = cv2.absdiff(grayB, grayA)# perform image thresholdingret, thresh = cv2.threshold(diff_image, 30, 255, cv2.THRESH_BINARY)# plot image after thresholdingplt.imshow(thresh, cmap = 'gray')plt.show()
現在，移動物體（車輛）看起來更像我們期望看到的那樣了，大部分噪音（不希望出現的白色區域）都消失了。但是，突出顯示的區域有點零碎。因此，我們可以對該圖像應用圖像膨脹：
# apply image dilationkernel = np.ones((3,3),np.uint8)dilated = cv2.dilate(thresh,kernel,iterations = 1)# plot dilated imageplt.imshow(dilated, cmap = 'gray')plt.show()
移動的物體有更多的實心高亮區域。希望幀中每個目標的輪廓數不超過3。
但是，我們不會使用整個框架來檢測移動的車輛。我們將首先選擇一個區域，如果車輛進入該區域，則僅檢測到該區域。
那麼，讓我向你展示我們將會使用的區域:
# plot vehicle detection zoneplt.imshow(dilated)cv2.line(dilated, (0, 80),(256,80),(100, 0, 0))plt.show()
水平線y = 80以下的區域是我們的車輛檢測區域。我們將只檢測在這個區域發生的任何移動。你還可以創建自己的檢測區。
現在讓我們在上述幀的檢測區域中找到輪廓：
# find contourscontours, hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)上面的代碼查找整個圖像中的所有輪廓，並將它們保存在變量"contours"中。由於我們只需要找到檢測區域中存在的輪廓，我們將對發現的輪廓進行兩次檢查。
第一個檢查是輪廓左上角的y坐標是否應大於等於80（我這裡包括另一個檢查，x坐標小於等於200）。另一個檢查是輪廓的面積應該大於等於25。在cv2.courtoArea()函數的幫助下，你可以找到輪廓區域。
valid_cntrs = []for i,cntr in enumerate(contours): x,y,w,h = cv2.boundingRect(cntr) if (x <= 200) & (y >= 80) & (cv2.contourArea(cntr) >= 25): valid_cntrs.append(cntr)# count of discovered contours len(valid_cntrs)接下來，讓我們繪製輪廓和原始幀:
dmy = col_images[13].copy()cv2.drawContours(dmy, valid_cntrs, -1, (127,200,0), 2)cv2.line(dmy, (0, 80),(256,80),(100, 255, 255))plt.imshow(dmy)plt.show()
太酷了！只有位於檢測區域內的車輛輪廓可見。這就是我們在整個畫面中檢測車輛的方法
視頻中的車輛檢測
現在是時候對所有幀應用相同的圖像變換和預處理操作，並找到所需的輪廓。重申一下，我們將遵循以下步驟：
對每對連續幀應用幀差分對上一步的輸出圖像應用圖像閾值對上一步的輸出圖像進行圖像放大在上一步的輸出圖像中查找輪廓檢測區域出現的候選輪廓保存幀與最終輪廓# kernel for image dilationkernel = np.ones((4,4),np.uint8)# font stylefont = cv2.FONT_HERSHEY_SIMPLEX# directory to save the ouput framespathIn = "contour_frames_3/"for i in range(len(col_images)-1): # frame differencing grayA = cv2.cvtColor(col_images[i], cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor(col_images[i+1], cv2.COLOR_BGR2GRAY) diff_image = cv2.absdiff(grayB, grayA) # image thresholding ret, thresh = cv2.threshold(diff_image, 30, 255, cv2.THRESH_BINARY) # image dilation dilated = cv2.dilate(thresh,kernel,iterations = 1) # find contours contours, hierarchy = cv2.findContours(dilated.copy(), cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) # shortlist contours appearing in the detection zone valid_cntrs = [] for cntr in contours: x,y,w,h = cv2.boundingRect(cntr) if (x <= 200) & (y >= 80) & (cv2.contourArea(cntr) >= 25): if (y >= 90) & (cv2.contourArea(cntr) < 40): break valid_cntrs.append(cntr) # add contours to original frames dmy = col_images[i].copy() cv2.drawContours(dmy, valid_cntrs, -1, (127,200,0), 2) cv2.putText(dmy, "vehicles detected: " + str(len(valid_cntrs)), (55, 15), font, 0.6, (0, 180, 0), 2) cv2.line(dmy, (0, 80),(256,80),(100, 255, 255)) cv2.imwrite(pathIn+str(i)+'.png',dmy)準備視頻
在這裡，我們為所有幀中的所有移動車輛添加了輪廓。現在是時候堆疊幀並創建視頻了：
# specify video namepathOut = 'vehicle_detection_v3.mp4'# specify frames per secondfps = 14.0接下來，我們將閱讀列表中的最後一幀：
frame_array = []files = [f for f in os.listdir(pathIn) if isfile(join(pathIn, f))]files.sort(key=lambda f: int(re.sub('\D', '', f)))for i in range(len(files)): filename=pathIn + files[i] #read frames img = cv2.imread(filename) height, width, layers = img.shape size = (width,height) #inserting the frames into an image array frame_array.append(img)最後，我們將使用以下代碼製作目標檢測視頻：
out = cv2.VideoWriter(pathOut,cv2.VideoWriter_fourcc(*'DIVX'), fps, size)for i in range(len(frame_array)): # writing to a image array out.write(frame_array[i])out.release()恭喜你學會了車輛目標檢測！
尾注
在本教程中，我們學習了如何使用幀差分技術在視頻中執行移動目標檢測。我們還討論了目標檢測和圖像處理的一些概念。然後用OpenCV建立了自己的運動目標檢測系統。