? ? ? ?學習OpenCV快一年了，最近做了一個簡單的人流量統計的項目，分享給大家。

? ? ? ?本次人流量統計用的是純OpenCV的技術，沒有涉及深度學習的知識，如果大家深度學習做得好的話，效果會更好。

? ? ? ?首先介紹我的環境Windows10+OpenCV3.4.3+VS2017?

OpenCV代碼實現

?? ? ? 首先是頭文件，相關函數以及全局變量的設定。

//頭文件 #include "stdafx.h" #include <opencv2/opencv.hpp> #include <iostream>using namespace cv; using namespace std;//鼠標操作，畫一條紅線，撞線計數 void on_MouseHandle(int event, int x, int y, int flags, void* param); void DrawLine(Mat &img, Rect box);Rect g_box; bool g_DrawingBox = false; Point p1, p2; int Thecount = 0; int precolor = 0; int all = 0;

然后我們將進入主程序部分：

int main(int argc, char**) {//全局變量的初始化g_box = Rect(-1, -1, 0, 0);p1 = Point(0, 0);p2 = Point(0, 0);//打開視頻文件VideoCapture capture;capture.open("E:/The Program/OpenCV3.3.4/Video/manflow.mp4");if (!capture.isOpened()) {printf("could not find the video file...\n");return -1;}// create windowsMat frame;Mat bsmaskMOG2;Mat threshimg;//讀取人形掩碼Mat man1, man2, man3;man1 = imread("C:/Users/dlgker/Desktop/man1.png");man2 = imread("C:/Users/dlgker/Desktop/man2.png");man3 = imread("C:/Users/dlgker/Desktop/man3.png");cvtColor(man1, man1, COLOR_BGR2GRAY);//轉化為灰度圖像，便于后面的圖形矩匹配cvtColor(man2, man2, COLOR_BGR2GRAY);cvtColor(man3, man3, COLOR_BGR2GRAY);vector<vector<Point>> contours;//存取輪廓的點vector<Vec4i> hierarchy;//存取輪廓的層級//Mat bsmaskKNN;namedWindow("input video", CV_WINDOW_AUTOSIZE);//namedWindow("MOG2", CV_WINDOW_AUTOSIZE);//namedWindow("KNN Model", CV_WINDOW_AUTOSIZE);capture.read(frame);//因手機像素太高，未來便于觀察，把圖像縮小為以前的0.6倍resize(frame, frame, Size(round(frame.cols*0.6), round(frame.rows*0.6)));//鼠標回調函數setMouseCallback("input video", on_MouseHandle, (void*)&frame);//3×3的矩形核Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));// intialization BS//基于MIG2的背景去除法Ptr<BackgroundSubtractor> pMOG2 = createBackgroundSubtractorMOG2();//基于KNN的背景去除法//Ptr<BackgroundSubtractor> pKNN = createBackgroundSubtractorKNN();bool drawline = false;

? ? ? ?進過一段時間的操作，我們的代碼初始化完成了。代碼中man1,man2和man3讀取的是相關彩色的人形掩碼。關于掩碼的提取相信大家不陌生，利用一些簡單的OpenCV處理技術就可以實現，比如說人站在白底的墻前，拍一張照片，然后使用一次OpenCV里的閾值函數就可以提取出人形掩碼，當然，也可以使用背景去除法，直接用QQ截圖去截取掩碼圖像就可以，我當時也是圖方便，也是采用的這種方法，總之，方法有很多種，大家去嘗試。例如這是其中一張人形掩碼，做這個人形掩碼的目的是為了我們后面的輪廓Hu據匹配，以識別出人。

? ? ? ?此處，我們可以用兩種背景剔除的方法，一種是基于BackgroundSubtractorMIG2的背景去除法，BackgroundSubtractorMOG2用于動態目標檢測，用到的是基于自適應混合高斯背景建模的背景減除法，相對于BackgroundSubtractorMOG，其具有更好的抗干擾能力，特別是光照變化。還有一種是基于KNN的背景去除法，這是一種基于深度學習的方法。

while (capture.read(frame)) {//因手機像素太高，未來便于觀察，把圖像縮小為以前的0.6倍resize(frame, frame, Size(round(frame.cols*0.6), round(frame.rows*0.6)));// MOG BS//用MOG方法實現背景去除pMOG2->apply(frame, bsmaskMOG2);//判斷用戶是否劃線if (g_DrawingBox){drawline = true;}if (drawline){DrawLine(frame, g_box);}//開運算，除去相關噪點morphologyEx(bsmaskMOG2, bsmaskMOG2, MORPH_OPEN, kernel, Point(-1, -1));//設置閾值，把圖像變為2值圖像0->0,1->255threshold(bsmaskMOG2, threshimg, 200, 255, THRESH_BINARY);//提取輪廓findContours(threshimg, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);for (size_t i = 0; i < contours.size(); i++){double length,alllength;//獲取輪廓的長度length = arcLength(contours[i],1);alllength = frame.cols + frame.rows;//把輪廓長度小于閾值的輪廓去除掉，相當于再一次去除噪點if (length > alllength) {double match1, match2, match3;//進行Hu矩匹配，識別出視頻中的人match1 = matchShapes(threshimg, man1, CONTOURS_MATCH_I1, 0);match2 = matchShapes(threshimg, man2, CONTOURS_MATCH_I1, 0);match3 = matchShapes(threshimg, man3, CONTOURS_MATCH_I1, 0);//當匹配系數足夠高的時候，開始畫出人的識別框，矩形框的中心點，便于撞線計數if (match1 < 0.1 || match2 < 0.1 || match3 < 0.1){RotatedRect box;//找出最小的外接矩形box = minAreaRect(contours[i]);Point2f vertex[4];Point center;box.points(vertex);center.x = round((vertex[0].x + vertex[2].x + vertex[3].x + vertex[1].x) / 4);center.y = round((vertex[1].y + vertex[2].y + vertex[3].y + vertex[0].y) / 4);//通過畫四條線，畫出矩形框for (int p = 0; p < 4; p++){line(frame, vertex[p], vertex[(p + 1) % 4], Scalar(0, 0, 255), 2, 8, 0);}//畫出矩形的中心點circle(frame, center, 5, Scalar(0, 255, 0), 5, 8, 0);}}}//imshow("MOG2", threshimg);//創建一個直線迭代器對象，//用于檢測用戶所畫的紅線上綠色通道上是否有上跳沿的信號//如果有上跳沿信號，全局變量Thecount開始計數LineIterator it(frame, p1, p2, 8);all = 0;for (int j = 0; j < it.count; ++j, ++it){if (precolor == 0 && (int)(*it)[1] == 255){Thecount++;//precolor = 0;}all = all + (int)(*it)[1];if ((int)(*it)[1] == 255){precolor = 255;break;}}if (all == 0){precolor = 0;}stringstream ss;string str;string str1="The Count: ";ss << Thecount;ss >> str;str = str1 + str;//把記好的數打印到圖像的（20，20）坐標點上putText(frame, str, Point(20, 20), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 255));imshow("input video", frame);//cout << "Count:" << Thecount << endl;// KNN BS mask//pKNN->apply(frame, bsmaskKNN);//imshow("KNN Model", bsmaskKNN);char c = waitKey(3);if (c == 27) {break;}}capture.release();return 0; }

然后我們進入讀取視頻的環節，首先我們需要利用背景去除法來做背景去除。完成后的圖像如下所示：

? ? ? ?可見，僅僅通過背景去除的圖形還是不能識別的，當人經過時，人的周圍會產生很大的噪聲造成算法的誤判。但是相對人來說，周圍像素值明顯偏低。因為背景去除后的圖像噪聲有很多，我們需要進行一次開運算才能去除部分細小的噪聲。開運算后的結果：

圖片中的細小噪點得到充分的減少，經過一次閾值后，結果可見如下：

? ? ? ?可見，經過一番的操作，人形提取已基本完成。接下來就是我們的識別環節了，不慌，這個時候，我們還要最后對我們處理的圖像做除去噪點的操作。這個時候，我們需要用arcLength（）函數獲取每個輪廓的長度，對于長度比較小的輪廓，我們將其剔除，不讓其參與識別。把符合要求的輪廓與預先讀取的掩碼進行輪廓Hu矩匹配，因為圖像的hu矩是一種具有平移、旋轉和尺度不變性的圖像特征。所以在圖形識別方面具有非常廣泛的應用。當然，現在也有非常多的識別方法，最多的就是基于深度學習的SSD和Yolov2和Yolov3模型。這些深度學習最大的優點就是識別穩定，識別效果好，準確性高。但是這些深度學習方法也有一些缺點，對硬件的要求高，特別是顯卡，不然視頻處理速度就很慢，對于我這種電腦沒有N卡的人，也算是一種傷害。二是深度學習需要大量的訓練集，而對于一些特殊的應用，劣勢就明顯了。好了，我們再往下說，識別出來后，我們可以把人給框起來，然后用綠色的點把人中心畫出來。而對于人流量的計數，就是要利用這個綠色的點。當用戶劃一條線后，我們把線上的值設置為BGR為（0,0,255），我們再在這條直線上設置一個直線的迭代器，就可以把直線上的點的信息統計下來，當人穿過直線時，綠色的點會穿過直線，這時，直線上部分點的綠色通道將由0跳變到255，通過收集這種上跳沿的信號。我們就可以實現人流量的計數了。

? ? ? ?最后，還有兩個函數的代碼，也分享給大家。

//鼠標事件的回調函數 void on_MouseHandle(int event, int x, int y, int flags, void* param) {Mat &image = *(Mat*)param;switch (event){case EVENT_MOUSEMOVE:{if (g_DrawingBox){g_box.width = x - g_box.x;g_box.height = y - g_box.y;}}break;case EVENT_LBUTTONDOWN:{g_DrawingBox = true;g_box = Rect(x, y, 0, 0);}break;case EVENT_LBUTTONUP:{g_DrawingBox = false;if (g_box.width < 0){g_box.x += g_box.width;g_box.width *= -1;}if (g_box.height < 0){g_box.y += g_box.height;g_box.height *= -1;}DrawLine(image, g_box);}break;default:break;} } //劃線函數 void DrawLine(Mat &img, Rect box) {p1 = Point(box.x,box.y);p2 = Point(box.x + box.width, box.y + box.height);line(img, p1, p2, Scalar(0, 0, 255), 3, 8);//rectangle(img, box.tl(), box.br(), Scalar(0, 0, 255)); }

? ? ? ?這樣，我們基于OpenCV的簡單人流量統計就完成了。下面是我們做出的最終效果：

? ? ? ?可見，效果還不錯。可能大家會說當多人重疊，一起走過鏡頭的時候，可能會識別不出來。其實大家不要那么緊張，我們可以把攝像頭懸掛起來，從上往下拍，利用同樣的原理可以進行，基于人頭的人流量統計，車流量統計……這樣就不會有重疊了。

總結

以上是生活随笔為你收集整理的基于OpenCV的简单人流量统计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。