使用 OpenCV 和 YOLOv8 实现车辆速度估计

本文将介绍如何通过 OpenCV 和 YOLOv8 模型结合 BYTETrack 实现车辆速度估计。文章将详细介绍从目标检测到目标跟踪再到速度估计的完整流程，并提供实际代码示例。

1. 前言

您是否想过如何利用计算机视觉技术来估计车辆的速度？本文将引导您完成从目标检测到目标跟踪再到速度估计的完整流程。

2. 车辆检测

目标检测是车辆速度估计的第一步。我们需要对视频中的每一帧运行目标检测模型。在本文中，我们选择使用 YOLOv8 模型。以下是实现代码示例：

import supervision as svfrom inference.models.utils import get_roboflow_modelmodel = get_roboflow_model('yolov8x-640')frame_generator = sv.get_video_frames_generator('vehicles.mp4')bounding_box_annotator = sv.BoundingBoxAnnotator()for frame in frame_generator:    results = model.infer(frame)[0]    detections = sv.Detections.from_inference(results)    annotated_frame = bounding_box_annotator.annotate(        scene=frame.copy(), detections=detections)

3. 车辆跟踪

仅进行目标检测不足以完成速度估计。为了追踪同一辆车在视频中的位置，我们需要使用目标跟踪算法。在本文中，我们选择使用 BYTETrack 这个高效的目标跟踪模型。以下是实现代码示例：

byte_track = sv.ByteTrack()for frame in frame_generator:    results = model.infer(frame)[0]    detections = sv.Detections.from_inference(results)    detections = byte_track.update_with_detections(detections=detections)

4. 车速计算

车速估计是整个流程的核心。传统的方法是根据目标框的坐标直接计算距离，但由于透视变换的影响，这种方法不够准确。以下是我们使用 OpenCV 和数学实现的透视变换方法。

4.1 视角转换背后的数学

为了消除透视变换带来的失真，我们需要将图像坐标转换为实际道路坐标。我们通过以下步骤实现这一目标：

定义变换矩阵：使用 OpenCV 的 getPerspectiveTransform 函数创建变换矩阵。该函数需要定义源感兴趣区域和目标感兴趣区域。

变换坐标点：将检测到的目标框坐标通过变换矩阵转换为实际道路坐标。

以下是实现代码示例：

class ViewTransformer:    def __init__(self, source: np.ndarray, target: np.ndarray):        self.m = cv2.getPerspectiveTransform(source, target)    def transform_points(self, points: np.ndarray) -> np.ndarray:        if points.size == 0:            return points        reshaped_points = points.reshape(-1, 1, 2).astype(np.float32)        transformed_points = cv2.perspectiveTransform(reshaped_points, self.m)        return transformed_points.reshape(-1, 2)view_transformer = ViewTransformer(    np.array([[1252, 787], [2298, 803], [5039, 2159], [-550, 2159]]),    np.array([[0, 0], [24, 0], [24, 249], [0, 249]]))

4.2 速度估计

为了更准确地估计车速，我们需要：

存储车辆位置：使用字典存储每辆车在不同帧中的坐标。

计算速度：将车辆在一秒内移动的距离除以时间，转换为 km/h。

以下是实现代码示例：

video_info = sv.VideoInfo.from_video_path('vehicles.mp4')coordinates = defaultdict(lambda: deque(maxlen=video_info.fps))for frame in frame_generator:    result = model.infer(frame)[0]    detections = sv.Detections.from_ultralytics(result)    detections = byte_track.update_with_detections(detections=detections)    points = detections.get_anchors_coordinates(anchor=sv.Position.BOTTOM_CENTER)    points = view_transformer.transform_points(points).astype(int)        for tracker_id, [_, y] in zip(detections.tracker_id, points):        coordinates[tracker_id].append(y)        for tracker_id in detections.tracker_id:        if len(coordinates[tracker_id]) > video_info.fps / 2:            coordinate_start = coordinates[tracker_id][-1]            coordinate_end = coordinates[tracker_id][0]            distance = abs(coordinate_start - coordinate_end)            time = len(coordinates[tracker_id]) / video_info.fps            speed = distance / time * 3.6            # 将速度存储在结果中

5. 速度估计中的复杂性

在实际应用中，车速估计需要考虑以下因素：

遮挡和修剪：遮挡会导致目标框大小的变化，影响速度估计的准确性。

参考点：选择稳定的参考点（如底部中心）作为基准点。

道路坡度：平坦道路条件下更容易实现准确估计。

结论

通过 OpenCV 和 YOLOv8 模型结合 BYTETrack，我们成功实现了车辆速度估计。该方法不仅简单易实现，还能够在实际场景中获得较高的准确性。希望本文对您有所帮助，欢迎在评论区留言交流！

转载地址：http://ursfk.baihongyu.com/

你可能感兴趣的文章