前言

本項(xiàng)目效果展示視頻：https://www.bilibili.com/video/BV1E3411G7cP/

1、本項(xiàng)目通過yolov8/yolov7/yolov5 5.0和deepsort實(shí)現(xiàn)了一個(gè)多功能智能交通監(jiān)控系統(tǒng)，可為一些同學(xué)的課設(shè)、大作業(yè)等提供參考。分別實(shí)現(xiàn)了不同車輛的跟蹤，統(tǒng)計(jì)不同車型“上行”和“下行”的數(shù)量，實(shí)時(shí)檢測車輛速度，檢測兩車是否發(fā)生碰撞或者距離過近時(shí)進(jìn)行碰撞預(yù)警，檢測車輛是否違規(guī)進(jìn)入專用車道（例如非公交車進(jìn)入公交車專用車道，非法占用高速應(yīng)急車道等行為）。最終檢測效果如下，紅色框內(nèi)區(qū)域即為自定義的公交車專用車道。
2、可訓(xùn)練自己的數(shù)據(jù)集，可以換成yolov8/yolov7/yolov5各種版本的權(quán)重。

一、環(huán)境配置

不熟悉pycharm的anaconda的大兄弟請先看這篇csdn博客，了解pycharm和anaconda的基本操作。
https://blog.csdn.net/ECHOSON/article/details/117220445
anaconda安裝完成之后請切換到國內(nèi)的源來提高下載速度 ，命令如下：

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

首先創(chuàng)建python3.8的虛擬環(huán)境，請?jiān)诿钚兄袌?zhí)行下列操作：

conda create -n yolov8 python==3.8.5
conda activate yolov8

1、pytorch安裝（gpu版本和cpu版本的安裝)

實(shí)際測試情況是YOLOv8在CPU和GPU的情況下均可使用，不過在CPU的條件下訓(xùn)練那個(gè)速度會令人發(fā)指，所以有條件的小伙伴一定要安裝GPU版本的Pytorch，沒有條件的小伙伴最好是租服務(wù)器來使用。GPU版本安裝的具體步驟可以參考這篇文章：https://blog.csdn.net/ECHOSON/article/details/118420968。
需要注意以下幾點(diǎn)：
1、安裝之前一定要先更新你的顯卡驅(qū)動(dòng)，去官網(wǎng)下載對應(yīng)型號的驅(qū)動(dòng)安裝
2、30系顯卡只能使用cuda11的版本
3、一定要?jiǎng)?chuàng)建虛擬環(huán)境，這樣的話各個(gè)深度學(xué)習(xí)框架之間不發(fā)生沖突
我這里創(chuàng)建的是python3.8的環(huán)境，安裝的Pytorch的版本是1.8.0，命令如下：

conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 注意這條命令指定Pytorch的版本和cuda的版本
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接執(zhí)行這條命令即可

安裝完畢之后，我們來測試一下GPU是否可以有效調(diào)用：

2、pycocotools的安裝

pip install pycocotools-windows

3、其他包的安裝

另外的話大家還需要安裝程序其他所需的包，包括opencv，matplotlib這些包，不過這些包的安裝比較簡單，直接通過pip指令執(zhí)行即可，我們在終端的虛擬環(huán)境中直接執(zhí)行下列指令即可完成包的安裝。

pip install -r requirements.txt

二、車輛檢測、跟蹤、計(jì)數(shù)算法及代碼解讀

1、主函數(shù)各參數(shù)含義

如下代碼所示，可根據(jù)自己需求更改。使用yolov5s.pt、best.pt、或yolov7s.pt/yolov8s.pt預(yù)訓(xùn)練權(quán)重均可，也可以使用自己訓(xùn)練好的權(quán)重，本項(xiàng)目中調(diào)用的是訓(xùn)練好的可以檢測car、truck、bus三個(gè)類別的權(quán)重。

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='best.pt', help='model.pt path')  # 加載的v5權(quán)重，可以是公開數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重，也可以是自己數(shù)據(jù)集訓(xùn)練的權(quán)重
    parser.add_argument('--source', type=str, default='IMG_6894.mp4', help='source')  # 待檢測的視頻路徑
    parser.add_argument('--output', type=str, default='test_out', help='output folder')  # output folder
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--conf-thres', type=float, default=0.6, help='object confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.5, help='IOU threshold for NMS')
    parser.add_argument('--fourcc', type=str, default='mp4v', help='output video codec (verify ffmpeg support)')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true', help='display results')
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    parser.add_argument('--classes', nargs='+', type=int, default=[0, 1, 2], help='filter by class')  # car、truck、bus
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true', help='augmented inference')
    parser.add_argument("--config_deepsort", type=str, default="deep_sort/configs/deep_sort.yaml")

2、算法實(shí)現(xiàn)

使用yolov8/yolov7/yolov5和deepsort分別實(shí)現(xiàn)車輛的目標(biāo)檢測、跟蹤、計(jì)數(shù)，算法流程如下，計(jì)數(shù)原理是將整個(gè)視頻圖像區(qū)域劃分為四個(gè)象限，把第一象限和第三象限的車輛分別認(rèn)為是下行和上行的車輛。計(jì)數(shù)具體代碼實(shí)現(xiàn)時(shí)使用了一系列if-eif條件語句，對目標(biāo)框的中心坐標(biāo)以及四個(gè)象限邊界的位置關(guān)系進(jìn)行判斷。

3、效果展示

以視頻中紅色橫線為基準(zhǔn)，統(tǒng)計(jì)car、bus、truck三種車型“上行”和“下行”的數(shù)量和總共的數(shù)量，并顯示在圖像左上角，同時(shí)將車型、車輛ID打印在車輛檢測框的正上方。可以拓展到行人跟蹤等多個(gè)領(lǐng)域，只要將訓(xùn)練好的所需類別的yolov8/yolov7/yolov5權(quán)重替換掉，代碼里面做一些修改就行了。

三、車輛測速算法及代碼解讀

1、算法流程

首先使用提前設(shè)定好的車輛真實(shí)寬度和檢測出來的車輛像素寬度求出真實(shí)距離和像素距離的比值，再使用每輛車的前后兩幀框的中心坐標(biāo)計(jì)算出兩幀之間移動(dòng)的像素距離。利用這個(gè)比值和像素距離做映射，就可以求出兩幀之間車輛移動(dòng)的真實(shí)距離。然后距離除以兩幀之間的時(shí)間，就是速度了。本測速算法中將車輛真實(shí)移動(dòng)距離與像素移動(dòng)距離看成是線性關(guān)系，僅在監(jiān)控相機(jī)軸線與車輛移動(dòng)方向垂直時(shí)才能成立，并且檢測出來的車輛框在空間上會產(chǎn)生一定形變，使得真實(shí)距離和像素距離的映射關(guān)系不準(zhǔn)確。有興趣的同學(xué)可以在代碼中加入透視變換，將圖像變成類似于遙感數(shù)據(jù)的俯瞰圖，實(shí)現(xiàn)測速后再將圖像變換為原始圖像視角，就能實(shí)現(xiàn)比較準(zhǔn)確的車輛測速了。

2、核心代碼

我的項(xiàng)目將測速代碼封裝到了Estimated_speed()函數(shù)里面，有詳細(xì)注釋，調(diào)用即可。

def Estimated_speed(locations, fps, width):
    present_IDs = []
    prev_IDs = []
    work_IDs = []
    work_IDs_index = []
    work_IDs_prev_index = []
    work_locations = []  # 當(dāng)前幀數(shù)據(jù)：中心點(diǎn)x坐標(biāo)、中心點(diǎn)y坐標(biāo)、目標(biāo)序號、車輛類別、車輛像素寬度
    work_prev_locations = []  # 上一幀數(shù)據(jù)，數(shù)據(jù)格式相同
    speed = []
    for i in range(len(locations[1])):
        present_IDs.append(locations[1][i][2])  # 獲得當(dāng)前幀中跟蹤到車輛的ID
    for i in range(len(locations[0])):
        prev_IDs.append(locations[0][i][2])  # 獲得前一幀中跟蹤到車輛的ID
    for m, n in enumerate(present_IDs):
        if n in prev_IDs:  # 進(jìn)行篩選，找到在兩幀圖像中均被檢測到的有效車輛ID，存入work_IDs中
            work_IDs.append(n)
            work_IDs_index.append(m)
    for x in work_IDs_index:  # 將當(dāng)前幀有效檢測車輛的信息存入work_locations中
        work_locations.append(locations[1][x])
    for y, z in enumerate(prev_IDs):
        if z in work_IDs:  # 將前一幀有效檢測車輛的ID索引存入work_IDs_prev_index中
            work_IDs_prev_index.append(y)
    for x in work_IDs_prev_index:  # 將前一幀有效檢測車輛的信息存入work_prev_locations中
        work_prev_locations.append(locations[0][x])
    for i in range(len(work_IDs)):
        speed.append(
            math.sqrt((work_locations[i][0] - work_prev_locations[i][0]) ** 2 +  # 計(jì)算有效檢測車輛的速度，采用線性的從像素距離到真實(shí)空間距離的映射
                      (work_locations[i][1] - work_prev_locations[i][1]) ** 2) *  # 當(dāng)視頻拍攝視角并不垂直于車輛移動(dòng)軌跡時(shí)，測算出來的速度將比實(shí)際速度低
            width[work_locations[i][3]] / (work_locations[i][4]) * fps / 5 * 3.6 * 2)
    for i in range(len(speed)):
        speed[i] = [round(speed[i], 1), work_locations[i][2]]  # 將保留一位小數(shù)的單位為km/h的車輛速度及其ID存入speed二維列表中
    return speed

3、效果展示

將計(jì)算出來的速度實(shí)時(shí)顯示在車輛正上方。可以針對不同的道路環(huán)境設(shè)定一個(gè)速度閾值，例如高速上通常限速為120km/h，將每一幀中各車輛的速度和ID存到一個(gè)列表里面，讀取列表，和設(shè)定的速度閾值進(jìn)行比較。若超速，則發(fā)出警告。需要注意的是，每判斷完一幀后，要將這個(gè)列表進(jìn)行清空防止幀之間的數(shù)據(jù)混淆，同時(shí)防止列表溢出（雖然不大可能）。

四、車輛碰撞檢測算法及代碼解讀

1、算法流程

首先將yolov8/yolov7/yolov5檢測出來的車輛框通過兩層for循環(huán)嵌套讀取出來，將任意兩個(gè)車輛框進(jìn)行兩兩匹配，再通過一系列的if和elif語句判斷兩框位置關(guān)系，若兩框相交區(qū)域的寬度或高度超過一定像素t，或存在包含與被包含關(guān)系，則判定為碰撞，將其車輛ID存入列表中。t值可以按照實(shí)際需求自己調(diào)整，t值越大，碰撞越不容易檢出。當(dāng)t為一個(gè)較小的值時(shí)，可當(dāng)做碰撞預(yù)警功能來使用。

2、核心代碼

本項(xiàng)目將這個(gè)功能封裝到了find_accidents()函數(shù)里面，直接調(diào)用即可。核心判斷語句代碼如下：

            # 通過A、B框位置關(guān)系判斷其是否發(fā)生碰撞，若相交、存在包含關(guān)系，則判定為碰撞，將其索引加入crash_index列表中。
            if (B_xmin < A_xmin + t and A_xmin + t < B_xmax - t and A_xmax > B_xmax - t) and (
                    B_ymin < A_ymin + t and A_ymin + t < B_ymax - t and A_ymax > B_ymax - t):  # 01
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (B_xmin < A_xmin + t and A_xmin + t < B_xmax - t and A_xmax > B_xmax - t) and (
                    A_ymin < B_ymin and B_ymin < B_ymax and A_ymax < B_ymax):  # 02
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (B_xmin < A_xmin + t and A_xmin + t < B_xmax - t and A_xmax > B_xmax - t) and (
                    A_ymin < B_ymin + t and B_ymin + t < A_ymax - t and B_ymax > A_ymax - t):  # 03
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (A_xmin < B_xmin and B_xmin < B_xmax and A_xmax > B_xmax) and (
                    B_ymin < A_ymin + t and A_ymin + t < B_ymax - t and A_ymax > B_ymax - t):  # 04
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (A_xmin < B_xmin + t and B_xmin + t < A_xmax - t and B_xmax > A_xmax - t) and (
                    B_ymin < A_ymin + t and A_ymin + t < B_ymax - t and A_ymax > B_ymax - t):  # 05
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (A_xmin < B_xmin + t and B_xmin + t < A_xmax - t and B_xmax > A_xmax - t) and (
                    A_ymin < B_ymin and B_ymin < B_ymax and A_ymax > B_ymax):  # 06
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (A_xmin < B_xmin + t and B_xmin + t < A_xmax - t and B_xmax > A_xmax - t) and (
                    A_ymin < B_ymin + t and B_ymin + t < A_ymax - t and B_ymax > A_ymax - t):  # 07
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (A_xmin < B_xmin and B_xmin < B_xmax and A_xmax > B_xmax) and (
                    A_ymin < B_ymin + t and B_ymin + t < A_ymax - t and B_ymax > A_ymax - t):  # 08
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (A_xmin < B_xmin and B_xmin < A_xmax and B_xmax > A_xmax) and (
                    B_ymin < A_ymin and A_ymin < A_ymax and B_ymax > A_ymax):  # 09
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (B_xmin < A_xmin and A_xmin < B_xmax and A_xmax > B_xmax) and (
                    B_ymin < A_ymin and A_ymin < A_ymax and B_ymax > A_ymax):  # 10
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (B_xmin < A_xmin and A_xmin < A_xmax and B_xmax > A_xmax) and (
                    A_ymin < B_ymin and B_ymin < A_ymax and B_ymax > A_ymax):  # 11
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

            elif (B_xmin < A_xmin and A_xmin < A_xmax and B_xmax > A_xmax) and (
                    B_ymin < A_ymin and A_ymin < B_ymax and A_ymax > B_ymax):  # 12
                is_accident_happen.append([A_class, B_class])
                crash_index.append([i, j])

3、效果展示

當(dāng)兩輛車距離過近，導(dǎo)致檢測框出現(xiàn)相交、重疊、甚至包含關(guān)系時(shí)發(fā)出碰撞警報(bào)。這里定義了一個(gè)像素閾值t，可通過t值大小來調(diào)節(jié)碰撞檢測的靈敏程度。

def find_accidents(rects):
    is_accident_happen = []
    t = 3000  # 設(shè)定閾值，這個(gè)值越大，碰撞越不容易檢出。設(shè)置一個(gè)較小的值時(shí)，可當(dāng)做碰撞預(yù)警功能來使用。
    crash_index = []

五、違規(guī)進(jìn)入專用車道檢測算法及代碼解讀

1、算法流程

首先使用opencv截取視頻的第一幀作為背景，再通過python的交互模式繪制專用車道矩形區(qū)域（此處以違規(guī)進(jìn)入公交車道檢測為例）,鼠標(biāo)按順時(shí)針方向依次點(diǎn)擊矩形框的四個(gè)頂點(diǎn)即可。專用區(qū)域繪制結(jié)束后會將四個(gè)頂點(diǎn)坐標(biāo)以及矩形四條邊的直線方程保存至根目錄下的car_line.txt中。這一步結(jié)束后調(diào)用detect()函數(shù)，讀取car_line.txt，利用車輛矩形框的中心點(diǎn)坐標(biāo)和專用車道區(qū)域的位置關(guān)系進(jìn)行判斷。若非公交車違規(guī)進(jìn)入公交車專用車道，則發(fā)出警告。判斷邏輯如下：

2、核心代碼

    # 判斷車輛框的中心是否在繪制的矩形區(qū)域內(nèi)且該車輛是否為公交車,若不是公交車，則違規(guī)駛?cè)牍卉嚨馈?/span>
    # 算法思路為將目標(biāo)框中心點(diǎn)坐標(biāo)依次代入四條直線方程內(nèi)，使用中心點(diǎn)縱坐標(biāo)分別與代入計(jì)算出來的值進(jìn)行比較，滿足所列大小關(guān)系即該點(diǎn)在矩形框內(nèi)部。
    for box_center in box_centers:
        if (k[0] * box_center[0] + b[0] <= box_center[1] and k[1] * box_center[0] + b[1] >= box_center[1]
                and k[2] * box_center[0] + b[2] >= box_center[1] and k[3] * box_center[0] + b[3] <= box_center[1] and (
                        box_center[3] != 1)):
            cv2.putText(im0, 'Entering illegally!', (int(box_center[0] - 140), int(box_center[1])),
                        cv2.FONT_HERSHEY_PLAIN, 1.5, [0, 0, 255], 2)

3、效果展示

六、總結(jié)及源碼獲取

1、總結(jié)

其中違規(guī)進(jìn)入專用車道檢測這個(gè)功能還可以再完善一下，比如一些地區(qū)的公交專用車道設(shè)置了使用時(shí)間段，在時(shí)間段之外允許非公交車進(jìn)入，可以通過調(diào)用接口獲取系統(tǒng)時(shí)間來實(shí)現(xiàn)更好的判斷，這個(gè)功能也可以拓展到更多的應(yīng)用場景里面，如檢測高速上常見的違規(guī)進(jìn)入應(yīng)急車道等行為。在車輛分布密集時(shí)有一些漏檢，導(dǎo)致統(tǒng)計(jì)的車輛數(shù)目會比實(shí)際的略少，可以使用自己的數(shù)據(jù)打標(biāo)簽后針對性fine tune一下。

2、項(xiàng)目資源獲取(yolov8/yolov7/yolov5版本均可提供)

項(xiàng)目內(nèi)容：

包含完整word版本說明文檔，可用于寫論文、課設(shè)報(bào)告的參考。

資源獲?。?mark hidden color="red">文章來源：http://www.zghlxwxcb.cn/news/detail-406882.html

獲取整套代碼、測試視頻、訓(xùn)練好的權(quán)重和說明文檔(有償)
上交碩士，技術(shù)夠硬，也可以指導(dǎo)深度學(xué)習(xí)畢設(shè)、大作業(yè)等。
--------------->qq------------
           3582584734
------------------------------

文章來源地址http://www.zghlxwxcb.cn/news/detail-406882.html

到了這里，關(guān)于智能交通系統(tǒng)-yolov5+deepsort車輛跟蹤、計(jì)數(shù)、測速、碰撞檢測、違規(guī)駛?cè)霗z測(算法-畢業(yè)設(shè)計(jì))的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！