计数器代码利用OpenCV、Python和Ubidots构建行人计数器程序（附完整代码）

作者|何塞·加西亚

译者|吴振东

校对|张艺豪、林一林、编辑|余腾凯

来源|数据学校(身份证:数据)

介绍:本文将使用OpenCV、Python和Ubidots编写一个行人计数器程序，并详细讲解代码。

数字图像处理(DIP)技术目前发展迅速，很大程度上归功于开发者可以访问云应用机器学习技术。通过云处理数字图像可以绕过任何特殊的硬件要求，这使得使用DIP成为每个人的首选。作为最经济、最通用的图像处理方法，数字图像处理得到了广泛的应用。最常见的是行人检测和计数——对于机场、火车站、零售店、健身房、公共活动和博物馆来说，这是一个非常有用的指标。

现有的传统行人计数技术不仅价格昂贵，而且它们产生的数据通常与专有系统相关联，限制了数据提取和KPI优化。相反，使用你的个人相机和SBC的嵌入式DIP，不仅可以省时省钱，还可以根据你关心的KPI自由定制应用，从云端获得独特的感悟。

使用云启用DIP IoT(物联网)应用可以增强整体功能。随着可视化、报告、警报和交叉引用外部数据源(如天气、实时供应商定价或业务管理系统)等功能的增强，DIP为开发人员提供了他们所需的自由空。

想象一下一个杂货店，里面有一个冰淇淋冰柜:他们想跟踪路过的人数，顾客选择的产品，开门的次数，冰柜内部的温度。从这些数据点，零售商可以运行相关性分析，以更好地理解和优化他们的产品定价和冰箱的整体能耗。

为了启动你的数字图像处理应用的开发，Ubidots使用OpenCV和Python创建了一个人员统计系统教程，用来分析统计给定区域的人数。其实不仅仅是统计人数这么简单，还可以通过添加Ubidots物联网开发平台的资源来扩展你的应用。这里可以看到Ubidots搭建的实时人头仪表盘是如何实现的。

在本文中，我们将介绍如何使用OpenCV和Ubidots实现简单的DIP叠加和创建行人计数器。这个例子最适合任何基于Linux的发行系统，也适合树莓Pi、Orange Pi或者类似的嵌入式系统。

有关其他集成的查询，请联系育碧点支持中心，了解您的企业如何使用这一增值技术。

应用要求

编码–8条

测试

创建您自己的仪表板

结果显示

1.应用要求

任何带有Ubuntu衍生版本的嵌入式Linux

操作系统中安装了Python 3或更高版本

操作系统中安装了OpenCV 3.0或更高版本。如果您使用Ubuntu或其衍生版本，请遵循官方安装教程或运行以下命令:

pipinstall opencv-contrib-python

当你成功安装Python 3和OpenCV后，你可以用这个简单的代码进行检查(首先在你的终端输入‘Python’

importcv2 cv2.__version__

您应该会在屏幕上看到您安装的OpenCV版本:

按照官方说明安装Numpy，或运行以下命令

pipinstall numpy

安装imutils

pipinstall imutils

安装请求

pipinstall requests

2.编码

检测和发送数据的整个例程可以在本章中找到。为了更好地解释这段代码，我们将其分为八个部分，以便更好地解释代码的各个方面，使您更容易理解。

第1节

from imutils.object_detection importnon_max_suppression importnumpy as np importimutils importcv2 importrequests importtime importargparse

URL _ EDITION = " http://things . ubi dots . com " URL _ INDUSTRIER = " http://INDUSTRIER . API . ubi dots . com " INDUSTRIER _ USER = True #将此设置为false如果您是教育用户令牌= " .."#把你的UbidotsTOKENDEVICE= "检测器" #设备将在哪里存储结果变量= "人" #变量将在哪里存储结果# Opencvpre预先训练的SVMWwith HogPeopleFeaturesHogCv = cv2。hogdoerhogcv . setsvmdetector(cv2。hogdoer _ GetDefaultPeopleDetector)

在第一部分，我们导入必要的库来实现我们的检测器。imutils是一个有用的DIP库工具，它允许我们根据结果执行不同的转换。cv2是我们的OpenCV Python包装器，请求可以通过HTTP向Ubidots发送数据/结果，argparse让我们在脚本中从命令终端读取命令。

重要提示:不要忘记使用您的Ubidots帐户TOKEN来更改此代码。如果您是学生用户，请确保将工业用户设置为假。

导入库后，我们将初始化方向梯度直方图。方向梯度直方图，简称HOG，是最流行的目标检测技术之一，已经在许多应用中得到成功实现。OpenCV以高效的方式将HOG算法与支持向量机(SVM)相结合，支持向量机是一种经典的用于预测目的的机器学习技术，已经成为我们可以使用的财富。

这句话:

cv2 . hogdoer _ getDefaultPeopleDetector调用OpenCV中预先训练好的行人检测模型，并提供支持向量机的特征评估功能。

第2节

defdetector(image):'''@image is a numpy array'''image = imutils.resize(image, width=min(400, image.shape[1]))clone = image.copy(rects, weights) = HOGCV.detectMultiScale(image, winStride=(8, 8),padding=(32, 32), scale=1.05)# Applies non-max supression from imutils package to kick-off overlapped# boxesrects = np.array([[x, y, x + w, y + h] for(x, y, w, h) inrects])result = non_max_suppression(rects, probs=None, overlapThresh=0.65)returnresult

探测器功能是“魔法”产生的地方，可以接收分成三个颜色通道的RGB图像。为了避免性能问题，我们使用imutils来调整图像大小，然后从HOG对象调用detectMultiScale方法。然后，多尺度检测方法允许我们使用SVM的分类结果来分析图像并知道人是否存在。介绍这种方法的参数超出了本教程的范围，但如果想了解更多的信息，请参考OpenCV官方文档或参见Adrian Rosebrock的精彩讲解。

HOG分析会生成一些捕获框(针对检测到的对象)，但有时这些框的重叠会导致误报或检测错误。为了避免这种混乱，我们将使用imutils库中的非最大抑制实用程序来删除重叠的框，如下所示:

图片转载自

https://www.pyimagesearch.com

第3节

deflocalDetect(image_path):result = []image = cv2.imread(image_path)iflen(image) <= 0:print("[ERROR] could not read your local image")returnresultprint("[INFO] Detecting people")result = detector(image)# shows the resultfor(xA, yA, xB, yB) inresult:cv2.rectangle(image, (xA, yA), (xB, yB), (0, 255, 0), 2)cv2.imshow("result", image)cv2.waitKey(0)cv2.destroyAllWindowsreturn(result, image)

现在，在这部分代码中，我们必须定义一个函数来从本地文件中读取图像，并检测其中是否有人。为了实现这一点，我简单的调用了检测器函数，并添加了一个简单的循环来绘制检测器的圆框。它返回检测到的帧数和带有绘图检测的图像。然后，只需在新的操作系统窗口中重新创建结果。

第4节

defcameraDetect(token, device, variable, sample_time=5):cap = cv2.VideoCapture(0)init = time.time# Allowed sample time for Ubidots is 1 dot/secondifsample_time < 1:sample_time = 1while(True):# Capture frame-by-frameret, frame = cap.readframe = imutils.resize(frame, width=min(400, frame.shape[1]))result = detector(frame.copy)# shows the resultfor(xA, yA, xB, yB) inresult:cv2.rectangle(frame, (xA, yA), (xB, yB), (0, 255, 0), 2)cv2.imshow('frame', frame)# Sends resultsiftime.time - init >= sample_time:print("[INFO] Sending actual frame results")# Converts the image to base 64 and adds it to the contextb64 = convert_to_base64(frame)context = {"image": b64}sendToUbidots(token, device, variable,len(result), context=context)init = time.timeifcv2.waitKey(1) & 0xFF== ord('q'):break# When everything done, release the capturecap.releasecv2.destroyAllWindowsdefconvert_to_base64(image):image = imutils.resize(image, width=400)img_str = cv2.imencode('.png', image)[1].tostringb64 = base64.b64encode(img_str)returnb64.decode('utf-8')

与第3节中的函数类似，第4节中的函数将调用检测器方法和绘图框，并使用OpenCV中的VideoCapture方法直接从网络摄像头中检索图像。我们还稍微修改了官方的摄像头，以捕捉相机中的图像，并每“n”秒将结果发送到一个Ubidots帐户(发送到bidots功能将在本教程的稍后部分进行介绍)。convert_to_base64函数将图像转换成基本的64位字符串，对于在HTML Canvas小部件中使用Java代码查看Ubidots中的结果非常重要。

第5节

defdetectPeople(args):image_path = args["image"]camera = Trueifstr(args["camera"]) == 'true'elseFalse# Routine to read local imageifimage_path != Noneandnotcamera:print("[INFO] Image path provided, attempting to read image")(result, image) = localDetect(image_path)print("[INFO] sending results")# Converts the image to base 64 and adds it to the contextb64 = convert_to_base64(image)context = {"image": b64}# Sends the resultreq = sendToUbidots(TOKEN, DEVICE, VARIABLE,len(result), context=context)ifreq.status_code >= 400:print("[ERROR] Could not send data to Ubidots")returnreq# Routine to read images from webcamifcamera:print("[INFO] reading camera images")cameraDetect(TOKEN, DEVICE, VARIABLE)

这种方法的目的是通过终端和触发例程插入参数，并从本地存储的图像文件或通过网络摄影搜索行人。

第6节

defbuildPayload(variable, value, context):return{variable: {"value": value, "context": context}}defsendToUbidots(token, device, variable, value, context={}, industrial=True):# Builds the endpointurl = URL_INDUSTRIAL ifindustrial elseURL_EDUCATIONALurl = "{}/api/v1.6/devices/{}".format(url, device)payload = buildPayload(variable, value, context)headers = {"X-Auth-Token": token, "Content-Type": "application/json"}attempts = 0status = 400whilestatus >= 400andattempts <= 5:req = requests.post(url=url, headers=headers, json=payload)status = req.status_codeattempts += 1time.sleep(1)returnreq

第6节中的两个函数是将结果发送到Ubidots以理解和可视化数据的两种主要方式。第一个函数def buildPayload在请求中构建一个有效的负载，而第二个函数defsendtoubidiots接收您的Ubidots参数(TOKEN、变量和设备标记)来存储结果。在这种情况下，OpenCV可以检测出圆框的长度。或者，您可以发送一个上下文，将结果存储为base64图像，供以后检索。

第7节

defargsParser:ap = argparse.ArgumentParserap.add_argument("-i", "--image", default=None,help="path to image test file directory")ap.add_argument("-c", "--camera", default=False,help="Set as true if you wish to use the camera")args = vars(ap.parse_args)returnargs

对于第7部分，我们即将完成对代码的分析。argsParser函数只是通过终端解析并以字典的形式返回脚本的参数。解析器中有两个参数:

图像:系统中图像文件的路径

摄像机:如果这个变量被设置为“真”，摄像机保护方法将被调用

第8节

defmain:args = argsParserdetectPeople(args)if__name__ == '__main__':main

第8节是我们主功能代码的最后一部分，只用来获取控制台中的参数，然后启动指定的程序。

别忘了，所有代码都可以从Github下载。

3.测试

打开你最喜欢的代码编辑器(升华文字、记事本、nano等)。)，然后复制粘贴这里提供的完整代码。用您特定的Ubidots TOKEN更新代码，并将文件保存为“peopleCounter.py”。

正确保存代码后，让我们测试从加州理工学院数据集和佩克斯公共数据集随机选择的以下四个图像: