完整项目点文末名片查看获取
一、项目简介
本项目旨在通过计算机视觉技术，实现对视频中鱼类数量的自动检测与计数。利用OpenCV库进行图像处理，包括背景减除、形态学操作、轮廓检测等步骤，最终在视频帧中标记出鱼类并统计其数量。该系统可广泛应用于水产养殖、生态监测等领域，有助于提高工作效率和数据准确性。
二、环境准备
在开始项目之前，需要确保以下环境和工具已安装：
- Python：推荐使用Python 3.6及以上版本。
- OpenCV：用于图像处理和视频操作。可通过pip install opencv-python安装。
- NumPy：用于数值计算和数组操作。可通过pip install numpy安装。
- 视频文件：需要处理的视频文件，应存放在指定路径下。
三、代码结构与功能
本项目的代码主要分为以下几个部分，每部分实现特定的功能： - 导入必要的库
首先，需要导入OpenCV和NumPy库：
- cv2：OpenCV的Python接口，用于图像和视频处理。
- numpy：用于高效的数值计算和数组操作。
- 创建可调整大小的窗口
使用OpenCV创建一个窗口用于显示视频，设置窗口为可调整大小的模式，以适应不同分辨率的视频：
- cv2.namedWindow(“Video”, cv2.WINDOW_NORMAL)：创建名为“Video”的窗口，并允许调整大小。
- cv2.resizeWindow(“Video”, 800, 600)：将窗口大小调整为800x600像素，以提高可视性。
- 打开视频文件
通过指定视频文件的路径，使用OpenCV的视频捕捉功能打开视频文件：
- cv2.VideoCapture(video_path)：创建视频捕捉对象，用于逐帧读取视频。
- 检查视频是否成功打开：如果无法打开视频文件，程序将输出错误信息并退出。
- 初始化背景减除器
背景减除器用于提取视频中的前景（即移动的物体）：
- cv2.createBackgroundSubtractorKNN()：使用K近邻方法初始化背景减除器。这种方法适用于动态背景和光照变化。
- 定义形态学操作的内核
形态学操作用于处理二值图像，去除噪声和填补孔洞：
- cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))：定义一个5x5的矩形内核，用于后续的腐蚀和膨胀操作。
- 设置阈值和检测参数
为了过滤掉小的、无关的物体，需要设置最小宽度、高度和面积的阈值：
- min_width = 90和min_height = 90：设置最小宽度和高度，以过滤掉尺寸较小的轮廓。
- detection_line_y = 400：定义检测线的Y坐标，用于判断鱼是否穿过该线。
- offset = 7：设置检测线的偏移量，确保准确检测鱼穿过检测线的动作。
- 定义计算中心点的函数
为了跟踪鱼的位置，需要计算每个检测到的鱼的中心点：
- get_center(x, y, w, h)：计算给定边界框的中心点坐标 (cx, cy)。
- 主循环：逐帧处理视频
通过一个无限循环，逐帧读取和处理视频，直到视频结束或用户手动退出：
- cap.read()：读取视频的下一帧。如果无法读取（视频结束），则退出循环。
- 图像预处理
对每一帧进行预处理，以提高后续处理的效果：
- 转换为灰度图像：cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)，减少计算量。
- 应用高斯模糊：cv2.GaussianBlur(gray, (5, 5), 0)，减少图像噪声。
- 前景提取
利用背景减除器提取前景物体：
- mog.apply(blur)：应用背景减除器，得到前景掩膜。
- 形态学处理
通过腐蚀和膨胀操作，去除噪声并填补前景中的孔洞：
- 腐蚀：cv2.erode(mask, kernel, iterations=1)，去除小的白色噪点。
- 膨胀：cv2.dilate(mask, kernel, iterations=2)，恢复物体的大小。
- 闭运算：cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)，填补物体内部的小孔洞。
- 轮廓检测与过滤
在处理后的掩膜中查找轮廓，并过滤掉不符合条件的轮廓：
- cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)：查找轮廓。
- 过滤条件：
- 根据宽度和高度过滤：轮廓的宽度和高度必须大于设定的最小值。
- 根据面积过滤：轮廓的面积必须大于设定的最小值，以排除噪声。
- 绘制检测线和目标标记
在视频帧中绘制检测线，并在检测到的鱼的位置绘制边界框和中心点：
- 绘制检测线：cv2.line(frame, (0, detection_line_y), (frame.shape[1], detection_line_y), (255, 255, 0), 2)，用于判断鱼是否穿过。
- 绘制边界框：cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)，用红色矩形标记鱼的位置。
- 绘制中心点：cv2.circle(frame, (cx, cy), 5, (0, 255, 0), -1)，用绿色圆点表示鱼的中心位置。
- 计数逻辑
通过跟踪鱼的中心点，判断鱼是否穿过检测线，并进行计数：
- 将每个检测到的鱼的中心点添加到fish_centers列表中。
- 遍历fish_centers列表，检查每个鱼的中心点是否位于检测线的偏移范围内：
- 如果是，则将计数器count加1，并从列表中移除该鱼，避免重复计数。
- 在控制台输出当前的鱼计数：print(f"Fish Count: {count}")。
- 显示结果
在视频帧中显示当前的鱼计数，并展示处理后的帧：
- 使用cv2.putText在帧上显示鱼的计数信息。
- 使用cv2.imshow(“Video”, frame)显示处理后的帧。
- 退出与资源释放
设置用户按下‘ESC’键时退出循环，并释放资源：
- 检测按键事件：cv2.waitKey(30) & 0xFF == 27，按下‘ESC’键（ASCII码27）时退出。
- 释放视频捕捉对象：cap.release()。
- 关闭所有OpenCV窗口：cv2.destroyAllWindows()。
四、结果展示与优化建议
- 结果展示
运行程序后，用户将看到一个显示视频的窗口。在视频中：
- 红色矩形框标记出检测到的鱼的位置。
- 绿色圆点表示每条鱼的中心点。
- 一条蓝色横线作为检测线，位于Y坐标400的位置。
- 左上角显示当前的鱼计数。
控制台将实时输出鱼的数量，例如“Fish Count: 3”。
- 优化建议
为了提高系统的准确性和效率，可以考虑以下优化措施：
- 调整阈值：根据实际视频内容，调整最小宽度、高度和面积的阈值，以适应不同大小和形状的鱼类。
- 改进背景减除方法：尝试其他背景减除算法，如MOG2，或结合深度学习方法，提高前景提取的准确性。
- 多目标跟踪：引入目标跟踪算法，如Kalman滤波或深度学习的检测与跟踪模型，提升计数的准确性，尤其是在鱼类密集或快速移动的情况下。
- 动态检测线：根据视频的不同场景，动态调整检测线的位置，提高灵活性。
- 性能优化：对于高分辨率视频，可以采用图像下采样或多线程处理，提升实时处理的性能。
五、总结
本项目通过利用OpenCV库，实现了一个基于视频的鱼类自动检测与计数系统。通过背景减除、形态学操作和轮廓检测等图像处理技术，有效地提取出鱼类目标，并通过中心点跟踪实现准确计数。该系统在水产养殖和生态监测等领域具有广泛的应用前景。未来，可以通过引入更先进的图像处理和机器学习技术，进一步提升系统的准确性和适用性。