任务2.2车辆识别应用实践

任务2.2车辆识别应用实践任务导入任务导入智能网联时代的汽车行业，对新学科、新型人才的需求，与传统汽车行业有着明显不同。对职业院校学生来说，智能网联汽车人才需求更偏重于数据采集、数据标定与测试、智能网联汽车研发助理等技能类人才，行业急需“汽车＋IＴ＋通信"的复合型技能人才。任务导入技能类人才需求企业大多集中在以摄像头、毫米波雷达和激光雷达为主要代表的智能传感器制造企业、整车和零部件企业，以及以车路协同为主要代表的信息技术企业，这些企业对技能类人才的要求，表现在知识、能力、专业技能和素质等层面。其中知识层面，由于智能网联汽车是人工智能技术的应用场景，因此涉及到电子、计算机、通信、汽车与交通等多方面知识，需要一专多能。任务导入在前向碰撞预警系统中，首先需要利用摄像头获取车辆、行人、障碍物等原始图像，然后基于一定的模型和算法进行环境感知分析，实现障碍物的检测、定位和识别，从而为实现雷达传感器测距以及预警模型的建立提供基础。车辆识别中视频信息可以理解为多帧的图片信息，所以本任务的实验将根据系统中录入的单帧图像和视频信息分别进行车辆检测与识别的过程。车辆识别应用技术的相关知识2.2.1Python认知1．Python简介Python是一种跨平台的计算机程序设计语言。它是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本，随着版本的不断更新和语言新功能的添加，越来越多地被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域：Web和Internet开发、科学计算和统计、人工智能、桌面界面开发、软件开发、后端开发和网络爬虫等。2.2.1Python认知2．Python发展历史Python是由GuidovanRossum在八十年代末和九十年代初，在荷兰国家数学和计算机科学研究所设计出来的。Python本身也是由诸多其他语言发展而来的，这包括ABC.Modula-3、C.C++、Algol-68、SmallTalk、Unixshell和其他的脚本语言等等。现在Python是由一个核心开发团队在维护，GuidovanRossum仍然占据着至关重要的作用，指导其进展。Python2.7被确定为最后一个Python2.x版本，它除了支持Python2.x语法外，还支持部分Python3.1语法。2.2.1Python认知3．Python特点1．易于学习。2．易于阅读。3．易于维护。4．支持广泛的标准库。5．支持互动模式。6．可移植。7．可扩展。8．支持数据库。9．支持GUI编程。10．可嵌入。2.2.2

OpenCV库认知OpenCV是一个的跨平台计算机视觉库，可以运行在Linux、Windows和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时也提供了Python接口，实现了图像处理和计算机视觉方面的很多通用算法。车辆识别属于计算机视觉领域应用，计算机视觉是一个跨学科领域，旨在用摄影机和电脑代替人眼对目标进行识别、跟踪和测量，之后对图像做进一步处理。任务实施——搭建车辆识别的实训环境任务清单：以Windows为例，完成Python+PyCharm环境配置方法完成OpenCV库的安装。Python+PyCharm环境配置运行效果如图2.57所示。图2.57的PyCharm中运行程序界面OpenCV库的安装运行效果如图2.58所示。图2.58

OpenCV类库安装界面任务实施——检测单帧图像中的车辆任务清单：加载级联分类器读取视频灰度化处理检测并识别车辆加载级联分类器的语法格式cv2.CascadeClassifier(filename)参数说明：filename：文件名读取图像的语法格式cv2.imread(filepath,flags)参数说明：filepath：读入图片的完整路径。路径包括两种：一种是绝对路径，需要从根目录写起；另一种是相对路径，需要源程序和文件在同一级目录中。flags：读入图片的标志，该参数可省。读取图像部分代码运行结果如下图所示灰度化处理图像灰度化方法这里我们使用cvtColor（）函数将图像从一个颜色空间转换到另一个颜色空间（目前常见的颜色空间均支持），并且在转换的过程中能够保证数据的类型不变，即转换后的图像的数据类型和位深与源图像一致。色彩空间转化函数的语法格式cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)参数说明：img：源图像。cv2.COLOR_RGB2GRAY：将彩色图像转为灰度图像。图像灰度化效果对比如下图所示检测并识别车辆在OpenCV中，常用CascadeClassifier.detectMultiScale（）函数检测物体，使用rectangle（）函数标注物体，通过调整函数的参数可以使检测与标注结果更加精确。检测并识别车辆detectMultiScale函数语法格式objects=cv2.CascadeClassifier.detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])参数说明：image：待检测图像,通常为灰度图。scaleFactor：表示在前后两次相继的扫描中，搜索窗口的缩放比例。minNeighbors：表示构成检测目标的相邻矩形的最小个数。flags：该参数通常被省略。minSize：目标的最小尺寸，小于这个尺寸的目标将被忽略。maxSize：目标的最大尺寸，大于这个尺寸的目标将被忽略。返回值objects：返回值，目标对象的矩形框向量组。检测并识别车辆检测到车辆之后，使用rectangle（）函数来创建一个矩形，把检测到的车辆用矩形画出来。rectangle函数语法格式为cv2.rectangle(image,start_point,end_point,color,thickness)参数说明：image：它是要在其上绘制矩形的图像。start_point：它是矩形的起始坐标。坐标表示为两个值的元组，即（X坐标值，Y坐标值）。end_point：它是矩形的结束坐标。坐标表示为两个值的元组，即（X坐标值，Y坐标值）。color：它是要绘制的矩形的边界线的颜色。OpenCV默认的读取的图片是按照BGR通道读取的。BGR与RGB概念是相似的，除了区域顺序颠倒。例如：（255，0，0）为蓝色。thickness：它是矩形边框线的粗细像素。最终结果如图2.63所示。图2.63识别车辆最终结果展示任务实施——检测视频中的车辆任务清单：加载级联分类器读取图像灰度化处理检测并识别车辆读取视频的语法格式cv2.VideoCapture(filepath)参数说明：filepath：要读入图片的完整路径，若为0表示默认为笔记本的内置第一个摄像头。读取视频部分代码运行结果如下图所示灰度化处理与读取图片一样，将每一帧转化为灰度图片。色彩空间转化函数的语法格式cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)参数说明：img：源图像。cv2.COLOR_RGB2GRAY：将彩色图像转为灰度图像。图像灰度化效果对比如下图所示检测并识别车辆在OpenCV中，常用CascadeClassifier.detectMultiScale（）函数检测物体，使用rectangle（）函数标注物体，通过调整函数的参数可以使检测与标注结果更加精确。检测并识别车辆detectMultiScale函数语法格式objects=cv2.CascadeClassifier.detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])参数说明：image：待检测图像,通常为灰度图。scaleFactor：表示在前后两次相继的扫描中，搜索窗口的缩放比例。minNeighbors：表示构成检测目标的相邻矩形的最小个数。flags：该参数通常被省略。minSize：目标的最小尺寸，小于这个尺寸的目标将被忽略。maxSize：目标的最大尺寸，大于这个尺寸的目标将被忽略。返回值objects：返回值，目标对象的矩形框向量组。检测并识别车辆检测到车辆之后，使用rectangle（）函数来创建一个矩形，把检测到的车辆用矩形画出来。rectangle函数语法格式为cv2.rectangle(image,start_point,end_point,color,thickness)参数说明：image：它是要在其上绘制矩形的图像。start_point：它是矩形的起始坐标。坐标表示为两个值的元组，即（X坐标值，Y坐标值）。end_point：它是矩形的结束坐标。坐标表示为两个值的元组，即（X坐标值，Y坐标值）。color：它是要绘制的矩形的边界线的颜色。OpenCV默认的读取的图片是按照BGR通道读取的。BGR与RGB概念是相似的，除了区域顺序颠倒。例如：（255，0，0）为蓝色。thickness：它是矩形边框线的粗细像素。最终结果如图2.67所示。图2.67