使用高斯混合模型检测汽车

打开脚本

此示例显示了如何使用基于高斯混合模型（GMM）的前景检测器以视频序列检测和计数汽车。

介绍

检测和计数汽车可用于分析交通模式。检测也是执行更复杂的任务之前的第一步，例如通过其类型对车辆进行跟踪或分类。

此示例显示了如何使用前景检测器和BLOB分析来检测和计算视频序列中的汽车。它假设相机是固定的。该示例着重于检测对象。要了解有关跟踪对象的更多信息，请参见标题为“基于运动的多个对象跟踪。

步骤1-导入视频并初始化前景检测器

该示例没有立即处理整个视频，而是从获得从后台分割的初始视频框架开始。这有助于逐渐介绍用于处理视频的步骤。

前景检测器需要一定数量的视频帧才能初始化高斯混合模型。该示例使用前50帧在混合模型中初始化三个高斯模式。

前景电视= vision.ForegroundDetector“数字”，3，...'NumTrainingFrames'，50）;videoreader = videoreader（'VisionTraffic.avi'）；为了i = 1：150帧= readframe（videoreader）;％阅读下一个视频框架前景=步骤（前景探测器，框架）;结尾

训练后，检测器开始输出更可靠的分割结果。下面的两个图显示了检测器计算的视频帧和前景掩模。

数字;imshow（帧）;标题（“视频框架”）；

数字;Imshow（前景）；标题（'前景'）；

步骤2-在初始视频框架中检测汽车

前景细分过程并不完美，通常包括不良的噪音。该示例使用形态开口来消除噪声并填补检测到的对象中的空白。

se = strel（'正方形'，3）;过滤前景= iMopen（前景，SE）;数字;iMshow（过滤前地面）;标题（“干净的前景”）；

接下来，使用Vision.blobanalysis对象找到与移动汽车相对应的每个连接组件的边界框。该对象通过拒绝少于150个像素的斑点进一步过滤了检测到的前景。

斑点分析=视觉。布洛巴分析（“边界箱”， 真的，...“区域输出港”， 错误的，“ Centroidoutputport”， 错误的，...“最大块状''，150）;bbox = step（blobanalysis，过滤前地下）;

为了突出检测到的汽车，我们在它们周围画绿色盒子。

结果=插入形状（帧，'长方形'，bbox，'颜色'，，，，'绿色'）；

边界框的数量对应于视频框架中发现的汽车数量。在处理后的视频框架的左上角显示发现的汽车数量。

numcars = size（bbox，1）;结果= insertText（结果，[10 10]，数字，“拳击”，1，...'字体大小'，14）;数字;imshow（结果）;标题（“检测到汽车”）；

步骤3-处理其余的视频帧

在最后一步中，我们处理其余的视频帧。

videoplayer = vision.videoplayer（'姓名'，，，，“检测到汽车”）；videoplayer.position（3：4）= [650,400];％窗口大小：[宽度，高度]se = strel（'正方形'，3）;％降噪的形态滤波器尽管hasframe（videoreader）frame = readframe（videoreader）;％阅读下一个视频框架％在当前视频框架中检测到前景前景=步骤（前景探测器，框架）;％使用形态开口去除前景中的噪音过滤前景= iMopen（前景，SE）;％检测具有指定最小面积的连接组件，并且％计算它们的边界盒bbox = step（blobanalysis，过滤前地下）;％在检测到的汽车周围绘制边界盒结果=插入形状（帧，'长方形'，bbox，'颜色'，，，，'绿色'）；％显示视频框架中发现的汽车数量numcars = size（bbox，1）;结果= insertText（结果，[10 10]，数字，“拳击”，1，...'字体大小'，14）;步骤（videoplayer，结果）;％显示结果结尾

输出视频显示汽车周围的边界框。它还显示了视频左上角的汽车数量。