任務(wù)2.2車輛識(shí)別應(yīng)用實(shí)踐

任務(wù)2.2車輛識(shí)別應(yīng)用實(shí)踐任務(wù)導(dǎo)入任務(wù)導(dǎo)入智能網(wǎng)聯(lián)時(shí)代的汽車行業(yè)，對(duì)新學(xué)科、新型人才的需求，與傳統(tǒng)汽車行業(yè)有著明顯不同。對(duì)職業(yè)院校學(xué)生來(lái)說(shuō)，智能網(wǎng)聯(lián)汽車人才需求更偏重于數(shù)據(jù)采集、數(shù)據(jù)標(biāo)定與測(cè)試、智能網(wǎng)聯(lián)汽車研發(fā)助理等技能類人才，行業(yè)急需“汽車＋I(xiàn)Ｔ＋通信"的復(fù)合型技能人才。任務(wù)導(dǎo)入技能類人才需求企業(yè)大多集中在以攝像頭、毫米波雷達(dá)和激光雷達(dá)為主要代表的智能傳感器制造企業(yè)、整車和零部件企業(yè)，以及以車路協(xié)同為主要代表的信息技術(shù)企業(yè)，這些企業(yè)對(duì)技能類人才的要求，表現(xiàn)在知識(shí)、能力、專業(yè)技能和素質(zhì)等層面。其中知識(shí)層面，由于智能網(wǎng)聯(lián)汽車是人工智能技術(shù)的應(yīng)用場(chǎng)景，因此涉及到電子、計(jì)算機(jī)、通信、汽車與交通等多方面知識(shí)，需要一專多能。任務(wù)導(dǎo)入在前向碰撞預(yù)警系統(tǒng)中，首先需要利用攝像頭獲取車輛、行人、障礙物等原始圖像，然后基于一定的模型和算法進(jìn)行環(huán)境感知分析，實(shí)現(xiàn)障礙物的檢測(cè)、定位和識(shí)別，從而為實(shí)現(xiàn)雷達(dá)傳感器測(cè)距以及預(yù)警模型的建立提供基礎(chǔ)。車輛識(shí)別中視頻信息可以理解為多幀的圖片信息，所以本任務(wù)的實(shí)驗(yàn)將根據(jù)系統(tǒng)中錄入的單幀圖像和視頻信息分別進(jìn)行車輛檢測(cè)與識(shí)別的過(guò)程。車輛識(shí)別應(yīng)用技術(shù)的相關(guān)知識(shí)2.2.1Python認(rèn)知1．Python簡(jiǎn)介Python是一種跨平臺(tái)的計(jì)算機(jī)程序設(shè)計(jì)語(yǔ)言。它是一個(gè)高層次的結(jié)合了解釋性、編譯性、互動(dòng)性和面向?qū)ο蟮哪_本語(yǔ)言。最初被設(shè)計(jì)用于編寫(xiě)自動(dòng)化腳本，隨著版本的不斷更新和語(yǔ)言新功能的添加，越來(lái)越多地被用于獨(dú)立的、大型項(xiàng)目的開(kāi)發(fā)。Python是一種解釋型腳本語(yǔ)言，可以應(yīng)用于以下領(lǐng)域：Web和Internet開(kāi)發(fā)、科學(xué)計(jì)算和統(tǒng)計(jì)、人工智能、桌面界面開(kāi)發(fā)、軟件開(kāi)發(fā)、后端開(kāi)發(fā)和網(wǎng)絡(luò)爬蟲(chóng)等。2.2.1Python認(rèn)知2．Python發(fā)展歷史Python是由GuidovanRossum在八十年代末和九十年代初，在荷蘭國(guó)家數(shù)學(xué)和計(jì)算機(jī)科學(xué)研究所設(shè)計(jì)出來(lái)的。Python本身也是由諸多其他語(yǔ)言發(fā)展而來(lái)的，這包括ABC.Modula-3、C.C++、Algol-68、SmallTalk、Unixshell和其他的腳本語(yǔ)言等等。現(xiàn)在Python是由一個(gè)核心開(kāi)發(fā)團(tuán)隊(duì)在維護(hù)，GuidovanRossum仍然占據(jù)著至關(guān)重要的作用，指導(dǎo)其進(jìn)展。Python2.7被確定為最后一個(gè)Python2.x版本，它除了支持Python2.x語(yǔ)法外，還支持部分Python3.1語(yǔ)法。2.2.1Python認(rèn)知3．Python特點(diǎn)1．易于學(xué)習(xí)。2．易于閱讀。3．易于維護(hù)。4．支持廣泛的標(biāo)準(zhǔn)庫(kù)。5．支持互動(dòng)模式。6．可移植。7．可擴(kuò)展。8．支持?jǐn)?shù)據(jù)庫(kù)。9．支持GUI編程。10．可嵌入。2.2.2

OpenCV庫(kù)認(rèn)知OpenCV是一個(gè)的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)，可以運(yùn)行在Linux、Windows和MacOS操作系統(tǒng)上。它輕量級(jí)而且高效——由一系列C函數(shù)和少量C++類構(gòu)成，同時(shí)也提供了Python接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法。車輛識(shí)別屬于計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用，計(jì)算機(jī)視覺(jué)是一個(gè)跨學(xué)科領(lǐng)域，旨在用攝影機(jī)和電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量，之后對(duì)圖像做進(jìn)一步處理。任務(wù)實(shí)施——搭建車輛識(shí)別的實(shí)訓(xùn)環(huán)境任務(wù)清單：以Windows為例，完成Python+PyCharm環(huán)境配置方法完成OpenCV庫(kù)的安裝。Python+PyCharm環(huán)境配置運(yùn)行效果如圖2.57所示。圖2.57的PyCharm中運(yùn)行程序界面OpenCV庫(kù)的安裝運(yùn)行效果如圖2.58所示。圖2.58

OpenCV類庫(kù)安裝界面任務(wù)實(shí)施——檢測(cè)單幀圖像中的車輛任務(wù)清單：加載級(jí)聯(lián)分類器讀取視頻灰度化處理檢測(cè)并識(shí)別車輛加載級(jí)聯(lián)分類器的語(yǔ)法格式cv2.CascadeClassifier(filename)參數(shù)說(shuō)明：filename：文件名讀取圖像的語(yǔ)法格式cv2.imread(filepath,flags)參數(shù)說(shuō)明：filepath：讀入圖片的完整路徑。路徑包括兩種：一種是絕對(duì)路徑，需要從根目錄寫(xiě)起；另一種是相對(duì)路徑，需要源程序和文件在同一級(jí)目錄中。flags：讀入圖片的標(biāo)志，該參數(shù)可省。讀取圖像部分代碼運(yùn)行結(jié)果如下圖所示灰度化處理圖像灰度化方法這里我們使用cvtColor（）函數(shù)將圖像從一個(gè)顏色空間轉(zhuǎn)換到另一個(gè)顏色空間（目前常見(jiàn)的顏色空間均支持），并且在轉(zhuǎn)換的過(guò)程中能夠保證數(shù)據(jù)的類型不變，即轉(zhuǎn)換后的圖像的數(shù)據(jù)類型和位深與源圖像一致。色彩空間轉(zhuǎn)化函數(shù)的語(yǔ)法格式cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)參數(shù)說(shuō)明：img：源圖像。cv2.COLOR_RGB2GRAY：將彩色圖像轉(zhuǎn)為灰度圖像。圖像灰度化效果對(duì)比如下圖所示檢測(cè)并識(shí)別車輛在OpenCV中，常用CascadeClassifier.detectMultiScale（）函數(shù)檢測(cè)物體，使用rectangle（）函數(shù)標(biāo)注物體，通過(guò)調(diào)整函數(shù)的參數(shù)可以使檢測(cè)與標(biāo)注結(jié)果更加精確。檢測(cè)并識(shí)別車輛detectMultiScale函數(shù)語(yǔ)法格式objects=cv2.CascadeClassifier.detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])參數(shù)說(shuō)明：image：待檢測(cè)圖像,通常為灰度圖。scaleFactor：表示在前后兩次相繼的掃描中，搜索窗口的縮放比例。minNeighbors：表示構(gòu)成檢測(cè)目標(biāo)的相鄰矩形的最小個(gè)數(shù)。flags：該參數(shù)通常被省略。minSize：目標(biāo)的最小尺寸，小于這個(gè)尺寸的目標(biāo)將被忽略。maxSize：目標(biāo)的最大尺寸，大于這個(gè)尺寸的目標(biāo)將被忽略。返回值objects：返回值，目標(biāo)對(duì)象的矩形框向量組。檢測(cè)并識(shí)別車輛檢測(cè)到車輛之后，使用rectangle（）函數(shù)來(lái)創(chuàng)建一個(gè)矩形，把檢測(cè)到的車輛用矩形畫(huà)出來(lái)。rectangle函數(shù)語(yǔ)法格式為cv2.rectangle(image,start_point,end_point,color,thickness)參數(shù)說(shuō)明：image：它是要在其上繪制矩形的圖像。start_point：它是矩形的起始坐標(biāo)。坐標(biāo)表示為兩個(gè)值的元組，即（X坐標(biāo)值，Y坐標(biāo)值）。end_point：它是矩形的結(jié)束坐標(biāo)。坐標(biāo)表示為兩個(gè)值的元組，即（X坐標(biāo)值，Y坐標(biāo)值）。color：它是要繪制的矩形的邊界線的顏色。OpenCV默認(rèn)的讀取的圖片是按照BGR通道讀取的。BGR與RGB概念是相似的，除了區(qū)域順序顛倒。例如：（255，0，0）為藍(lán)色。thickness：它是矩形邊框線的粗細(xì)像素。最終結(jié)果如圖2.63所示。圖2.63識(shí)別車輛最終結(jié)果展示任務(wù)實(shí)施——檢測(cè)視頻中的車輛任務(wù)清單：加載級(jí)聯(lián)分類器讀取圖像灰度化處理檢測(cè)并識(shí)別車輛讀取視頻的語(yǔ)法格式cv2.VideoCapture(filepath)參數(shù)說(shuō)明：filepath：要讀入圖片的完整路徑，若為0表示默認(rèn)為筆記本的內(nèi)置第一個(gè)攝像頭。讀取視頻部分代碼運(yùn)行結(jié)果如下圖所示灰度化處理與讀取圖片一樣，將每一幀轉(zhuǎn)化為灰度圖片。色彩空間轉(zhuǎn)化函數(shù)的語(yǔ)法格式cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)參數(shù)說(shuō)明：img：源圖像。cv2.COLOR_RGB2GRAY：將彩色圖像轉(zhuǎn)為灰度圖像。圖像灰度化效果對(duì)比如下圖所示檢測(cè)并識(shí)別車輛在OpenCV中，常用CascadeClassifier.detectMultiScale（）函數(shù)檢測(cè)物體，使用rectangle（）函數(shù)標(biāo)注物體，通過(guò)調(diào)整函數(shù)的參數(shù)可以使檢測(cè)與標(biāo)注結(jié)果更加精確。檢測(cè)并識(shí)別車輛detectMultiScale函數(shù)語(yǔ)法格式objects=cv2.CascadeClassifier.detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])參數(shù)說(shuō)明：image：待檢測(cè)圖像,通常為灰度圖。scaleFactor：表示在前后兩次相繼的掃描中，搜索窗口的縮放比例。minNeighbors：表示構(gòu)成檢測(cè)目標(biāo)的相鄰矩形的最小個(gè)數(shù)。flags：該參數(shù)通常被省略。minSize：目標(biāo)的最小尺寸，小于這個(gè)尺寸的目標(biāo)將被忽略。maxSize：目標(biāo)的最大尺寸，大于這個(gè)尺寸的目標(biāo)將被忽略。返回值objects：返回值，目標(biāo)對(duì)象的矩形框向量組。檢測(cè)并識(shí)別車輛檢測(cè)到車輛之后，使用rectangle（）函數(shù)來(lái)創(chuàng)建一個(gè)矩形，把檢測(cè)到的車輛用矩形畫(huà)出來(lái)。rectangle函數(shù)語(yǔ)法格式為cv2.rectangle(image,start_point,end_point,color,thickness)參數(shù)說(shuō)明：image：它是要在其上繪制矩形的圖像。start_point：它是矩形的起始坐標(biāo)。坐標(biāo)表示為兩個(gè)值的元組，即（X坐標(biāo)值，Y坐標(biāo)值）。end_point：它是矩形的結(jié)束坐標(biāo)。坐標(biāo)表示為兩個(gè)值的元組，即（X坐標(biāo)值，Y坐標(biāo)值）。color：它是要繪制的矩形的邊界線的顏色。OpenCV默認(rèn)的讀取的圖片是按照BGR通道讀取的。BGR與RGB概念是相似的，除了區(qū)域順序顛倒。例如：（255，0，0）為藍(lán)色。thickness：它是矩形邊框線的粗細(xì)像素。最終結(jié)果如圖2.67所示。圖2.67