原文： https://pythonspot.com/car-tracking-with-cascades/

使用级联的汽车追踪 - 图1

使用 OpenCV 进行汽车追踪

在本教程中，我们将研究使用 haar 特征的车辆跟踪。 我们有一个经过训练的 haar 级联文件。

该程序将检测感兴趣的区域，将其分类为汽车，并在其周围显示矩形。

级联检测

让我们从基本的级联检测程序开始：

  1. #! /usr/bin/python
  3. import cv2
  5. face_cascade = cv2.CascadeClassifier('cars.xml')
  6. vc = cv2.VideoCapture('road.avi')
  8. if vc.isOpened():
  9.     rval , frame = vc.read()
  10. else:
  11.     rval = False
  13. while rval:
  14.     rval, frame = vc.read()
  16.     # car detection.
  17.     cars = face_cascade.detectMultiScale(frame, 1.1, 2)
  19.     ncars = 0
  20.     for (x,y,w,h) in cars:
  21.         cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)
  22.         ncars = ncars + 1
  24.     # show result
  25.     cv2.imshow("Result",frame)
  26.     cv2.waitKey(1);
  27.     vc.release()

这样既可以检测屏幕中的汽车，也可以检测到噪声，并且屏幕有时会抖动。 为了避免所有这些情况，我们必须改进我们的汽车跟踪算法。 我们决定提出一个简单的解决方案。

汽车追踪算法

对于每一帧：

  • 检测潜在的感兴趣区域
  • 根据垂直，水平相似度过滤检测到的区域
  • 如果是新区域，请添加到集合中
  • 每 30 帧清除一次收藏

消除误报

均方误差函数用于消除误报。 我们比较图像的垂直和水平方向。 如果差异大或小，就不能成为汽车。

ROI 检测

可能无法在每帧中检测到汽车。 如果检测到新车，则将其添加到集合中。
我们将这个集合保留 30 帧，然后清除它。

  1. #!/usr/bin/python
  3. import cv2
  4. import numpy as np
  6. def diffUpDown(img):
  7.     # compare top and bottom size of the image
  8.     # 1\. cut image in two
  9.     # 2\. flip the top side
  10.     # 3\. resize to same size
  11.     # 4\. compare difference
  12.     height, width, depth = img.shape
  13.     half = height/2
  14.     top = img[0:half, 0:width]
  15.     bottom = img[half:half+half, 0:width]
  16.     top = cv2.flip(top,1)
  17.     bottom = cv2.resize(bottom, (32, 64))
  18.     top = cv2.resize(top, (32, 64))
  19.     return ( mse(top,bottom) )
  21. def diffLeftRight(img):
  22.     # compare left and right size of the image
  23.     # 1\. cut image in two
  24.     # 2\. flip the right side
  25.     # 3\. resize to same size
  26.     # 4\. compare difference
  27.     height, width, depth = img.shape
  28.     half = width/2
  29.     left = img[0:height, 0:half]
  30.     right = img[0:height, half:half + half-1]
  31.     right = cv2.flip(right,1)
  32.     left = cv2.resize(left, (32, 64))
  33.     right = cv2.resize(right, (32, 64))
  34.     return ( mse(left,right) )
  36. def mse(imageA, imageB):
  37.     err = np.sum((imageA.astype("float") - imageB.astype("float")) ** 2)
  38.     err /= float(imageA.shape[0] * imageA.shape[1])
  39.     return err
  41. def isNewRoi(rx,ry,rw,rh,rectangles):
  42.     for r in rectangles:
  43.         if abs(r[0] - rx) < 40 and abs(r[1] - ry) < 40:
  44.             return False
  45.         return True
  47. def detectRegionsOfInterest(frame, cascade):
  48.     scaleDown = 2
  49.     frameHeight, frameWidth, fdepth = frame.shape
  50.     # Resize
  51.     frame = cv2.resize(frame, (frameWidth/scaleDown, frameHeight/scaleDown))
  52.     frameHeight, frameWidth, fdepth = frame.shape
  54.     # haar detection.
  55.     cars = cascade.detectMultiScale(frame, 1.2, 1)
  57.     newRegions = []
  58.     minY = int(frameHeight*0.3)
  60.     # iterate regions of interest
  61.     for (x,y,w,h) in cars:
  62.         roi = [x,y,w,h]
  63.         roiImage = frame[y:y+h, x:x+w]
  65.         carWidth = roiImage.shape[0]
  66.         if y > minY:
  67.             diffX = diffLeftRight(roiImage)
  68.             diffY = round(diffUpDown(roiImage))
  69.         if diffX > 1600 and diffX < 3000 and diffY > 12000:
  70.             rx,ry,rw,rh = roi
  71.             newRegions.append( [rx*scaleDown,ry*scaleDown,rw*scaleDown,rh*scaleDown] )
  73.     return newRegions
  75. def detectCars(filename):
  76.     rectangles = []
  77.     cascade = cv2.CascadeClassifier('cars.xml')
  78.     vc = cv2.VideoCapture(filename)
  80.     if vc.isOpened():
  81.         rval , frame = vc.read()
  82.     else:
  83.         rval = False
  85.     roi = [0,0,0,0]
  86.     frameCount = 0
  88.     while rval:
  89.     rval, frame = vc.read()
  90.     frameHeight, frameWidth, fdepth = frame.shape
  92.     newRegions = detectRegionsOfInterest(frame, cascade)
  93.     for region in newRegions:
  94.     if isNewRoi(region[0],region[1],region[2],region[3],rectangles):
  95.         rectangles.append(region)
  97.     for r in rectangles:
  98.         cv2.rectangle(frame,(r[0],r[1]),(r[0]+r[2],r[1]+r[3]),(0,0,255),3)
  100.     frameCount = frameCount + 1
  101.     if frameCount > 30:
  102.         frameCount = 0
  103.         rectangles = []
  105.     # show result
  106.     cv2.imshow("Result",frame)
  107.     cv2.waitKey(1);
  108.     vc.release()
  110. detectCars('road.avi')

最后说明

级联不是旋转不变的，比例尺和平移的不变。 此外，检测具有 Haar 级联的车辆可能会相当不错，但是使用其他算法（显着点）也会有所收获。

您可能会喜欢：

下载计算机视觉示例和课程