OpenCV实现车辆识别和运动目标检测
目录
一：车辆识别成果展示
二：车辆识别超详细步骤解析
步骤一：灰度化处理
步骤二：帧差处理
步骤三：二值化处理
步骤四：图像降噪
步骤五：提取关键点 框选运动目标检测
三：车辆识别完整代码
一：车辆识别成果展示
灰度处理目的 RGB三通道转灰度单通道 压缩到原图片三分之一大小
效果展示：【避免内存浪费 帧差法对前后帧图像灰度化处理】
//1 灰度处理 目的 RGB三通道转灰度单通道 压缩到原图片三分之一大小
cvtColor(frontFrame,frontGray,CV_RGB2GRAY);//前一帧灰度化处理
cvtColor(afterFrame,afterGray,CV_RGB2GRAY);//后一帧灰度化处理
//imshow("frontGray",frontGray);//测试
//imshow("afterGray",afterGray);//测试
步骤二：帧差处理
帧差处理目的 找到帧与帧之间的差异（正在运动的物体）
效果展示：【运动目标的检测：运动事物显示灰度，静止事物显示黑度】
//2 帧差处理 目的 找到帧与帧之间的差异(正在运动的物体)
Mat diff;
Mat frontGray,afterGray;
absdiff(frontGray,afterGray,diff);//前后帧对比存于diff中
imshow("diff",diff);//测试
步骤三：二值化处理
二值化处理 目的 将灰度图继续识别转换为黑白分明的图像
效果展示：【步骤二中运动事物显示灰度，静止事物显示黑度，在这里进行二值化处理，能够黑白分明，便于计算机识别运动目标，如下右图二值化处理后黑白分明】【缺点：存在白色噪点，如下右图除了车辆外后面的背景也显示白度，这就是白色噪点，需要去除】
//3 二值化处理 目的 将灰度图继续识别转换为黑白分明的图像
threshold(diff,diff,25,255,CV_THRESH_BINARY);
imshow("threshold",diff);//测试
步骤四：图像降噪
4-1 腐蚀处理 目的 去除白色噪点
效果展示：【步骤三中存在的白色噪点能够去除，但是在去除白色噪点的同时，也影响了车辆的白度显示，如下右图可以看出，车辆白度显示有所降低，因此还是需要改进】
//4 图像降噪
//4-1 腐蚀处理 目的 去除白色噪点
Mat element = cv::getStructuringElement(MORPH_RECT,Size(3,3));//小于3*3方块的白色噪点都会被腐蚀
erode(diff,diff,element);
imshow("erode",diff);//测试
4-2 膨胀处理 目的 把白色区域变大
效果展示：【如下右图，将车辆形状大致显示，便于框选车辆识别操作】
//4-2 膨胀 目的 把白色区域变大
Mat element2=cv::getStructuringElement(MORPH_RECT,Size(20,20));
dilate(diff,diff,element2);
imshow("dilate",diff);//测试
步骤五：提取关键点 框选运动目标检测
效果展示：车辆识别成功
//5 提取关键点
//5-1 查找特征点
vector<vector<Point>>contours;
findContours(diff,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE,Point(0,0));
//5-2 提取关键点
vector<vector<Point>>contours_poly(contours.size());
vector<Rect>boundRect(contours.size());
//5-3 确定下四个点来用于框选目标物体
int x,y,w,h;
int num=contours.size();
for(int i = 0;i < num;i++)
{
approxPolyDP(Mat(contours[i]),contours_poly[i],3,true);
//多边拟合
boundRect[i]=boundingRect(Mat(contours_poly[i]));
x=boundRect[i].x;
y=boundRect[i].y;
w=boundRect[i].width;
h=boundRect[i].height;
//绘制矩形
rectangle(resFrame,Point(x,y),Point(x+w,y+h),Scalar(0,0,255),2);
}
三：车辆识别完整代码
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
Mat moveCheck(Mat &frontFrame,Mat &afterFrame)
{
Mat resFrame,diff;
Mat frontGray,afterGray;
//克隆当前帧画面 返回最终结果
resFrame = afterFrame.clone();
//1 灰度处理 目的 RGB三通道转灰度单通道 压缩到原图片三分之一大小
cvtColor(frontFrame,frontGray,CV_RGB2GRAY);
cvtColor(afterFrame,afterGray,CV_RGB2GRAY);
//imshow("frontGray",frontGray);
//imshow("afterGray",afterGray);
//2 帧差处理 目的 找到帧与帧之间的差异(正在运动的物体)
absdiff(frontGray,afterGray,diff);
//imshow("diff",diff);
//3 二值化处理 目的 将灰度图继续识别转换为黑白分明的图像
threshold(diff,diff,25,255,CV_THRESH_BINARY);
//imshow("threshold",diff);
//4 图像降噪
//4-1 腐蚀处理 目的 去除白色噪点
Mat element = cv::getStructuringElement(MORPH_RECT,Size(3,3));//小于3*3方块的白色噪点都会被腐蚀
erode(diff,diff,element);
//imshow("erode",diff);
//4-2 膨胀 目的 把白色区域变大
Mat element2=cv::getStructuringElement(MORPH_RECT,Size(20,20));
dilate(diff,diff,element2);
//imshow("dilate",diff);
//5 提取关键点
//5-1 查找特征点
vector<vector<Point>>contours;
findContours(diff,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE,Point(0,0));
//5-2 提取关键点
vector<vector<Point>>contours_poly(contours.size());
vector<Rect>boundRect(contours.size());
//5-3 确定下四个点来用于框选目标物体
int x,y,w,h;
int num=contours.size();
for(int i = 0;i < num;i++)
{
approxPolyDP(Mat(contours[i]),contours_poly[i],3,true);
//多边拟合
boundRect[i]=boundingRect(Mat(contours_poly[i]));
x=boundRect[i].x;
y=boundRect[i].y;
w=boundRect[i].width;
h=boundRect[i].height;
//绘制矩形
rectangle(resFrame,Point(x,y),Point(x+w,y+h),Scalar(0,0,255),2);
}
return resFrame;
}
int main(int argc, char *argv[])
{
Mat frame;
Mat temp;
Mat res;
int count = 0;
VideoCapture cap("D:/00000000000003jieduanshipincailliao/carMove.mp4");//视频路径
while (cap.read(frame))
{
count++;
if(count == 1)
{
res = moveCheck(frame,frame);
}
else
{
res = moveCheck(temp,frame);
}
imshow("frame",frame);
imshow("res",res);//最终车辆识别成果
temp = frame.clone();
waitKey(15);
}
return 0;
}
当然，夜晚的车辆也能够正常识别
不过，本次的帧差法的车辆识别存在弊端，只要是运动的物体都会识别，比如，博主打开摄像头，动一动手指头，也会被框选识别，因此是有一定弊端的
不过，这种帧差法的运动目标检测，在夜晚监控中是非常广泛地应用到，因为有任何的风吹草动，都会被框选识别。
到此这篇关于OpenCV实现车辆识别和运动目标检测的文章就介绍到这了,更多相关OpenCV车辆识别和运动目标检测内容请搜索软件开发网以前的文章或继续浏览下面的相关文章希望大家以后多多支持软件开发网！
