traffic-counter/main2.py

130 lines
7.2 KiB
Python
Raw Normal View History

2024-02-21 17:28:19 +00:00
import cv2 # Import library OpenCV untuk pengolahan citra dan video
import imutils # Import library imutils untuk mempermudah manipulasi citra
import numpy as np # Import library numpy untuk operasi numerik
from ultralytics import YOLO # Import class YOLO dari library ultralytics untuk deteksi objek
from collections import defaultdict # Import class defaultdict dari library collections untuk struktur data default dictionary
color = (0, 255, 0) # Warna hijau untuk penggambaran objek dan garis
color_red = (0, 0, 255) # Warna merah untuk teks dan garis
thickness = 2 # Ketebalan garis untuk penggambaran objek dan garis
font = cv2.FONT_HERSHEY_SIMPLEX # Jenis font untuk teks
font_scale = 0.5 # Skala font untuk teks
# Path video yang akan diproses
video_path = "video3.mp4"
2024-02-21 17:28:19 +00:00
model_path = "models/yolov8n.pt"
# Buka video
cap = cv2.VideoCapture(video_path)
# Inisialisasi model YOLO dengan file weight yang telah dilatih sebelumnya
model = YOLO(model_path)
# Ukuran frame video
width = 1280
height = 720
# Inisialisasi objek untuk menyimpan video hasil pemrosesan
fourcc = cv2.VideoWriter_fourcc(*'XVID')
writer = cv2.VideoWriter("video.avi", fourcc, 20.0, (width, height))
# Id objek kendaraan yang ingin dilacak berdasarkan kelas di file coco-classes.txt
vehicle_ids = [2, 3, 5, 7]
# Dictionary untuk menyimpan sejarah pergerakan setiap kendaraan yang terdeteksi
track_history = defaultdict(lambda: [])
up = {} # Dictionary untuk kendaraan yang melewati garis atas
down = {} # Dictionary untuk kendaraan yang melewati garis bawah
threshold = 400 # Ambang batas garis pemisah kendaraan
# Fungsi untuk mengambil titik tengah dari bounding box objek
def pega_centro(x, y, w, h):
x1 = int(w / 2)
y1 = int(h / 2)
cx = x + x1
cy = y + y1
return cx, cy
# Background subtraction menggunakan MOG2
subtracao = cv2.createBackgroundSubtractorMOG2()
# Loop utama untuk membaca setiap frame dari video
while True:
ret, frame = cap.read() # Membaca frame dari video
if ret == False: # Keluar dari loop jika tidak ada frame yang dapat dibaca
break
try:
frame = imutils.resize(frame, width = 1280, height = 720) # Mengubah ukuran frame ke 1280x720
2024-02-21 17:28:19 +00:00
frame_color = frame.copy() # Salin frame ke mode warna untuk pengolahan dan penggambaran
frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Konversi frame ke citra grayscale
frame_gray = cv2.cvtColor(frame_gray, cv2.COLOR_GRAY2BGR) # Konversi kembali ke citra BGR untuk tampilan grayscale
frame_bw = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Konversi ke citra grayscale untuk mode black and white
# Deteksi objek menggunakan model YOLO
results = model.track(frame_color, persist=True, verbose=False)[0]
bboxes = np.array(results.boxes.data.tolist(), dtype="int") # Koordinat bounding box objek yang terdeteksi
# Gambar garis pembatas untuk menghitung jumlah kendaraan yang melewati garis
cv2.line(frame_color, (0, threshold), (1280, threshold), color, thickness)
cv2.putText(frame_color, "Pembatas Jalan", (620, 445), font, 0.7, color_red, thickness)
# Loop untuk setiap objek yang terdeteksi
for box in bboxes:
x1, y1, x2, y2, track_id, score, class_id = box # Ambil koordinat dan informasi lainnya
cx = int((x1 + x2) / 2) # Hitung koordinat x pusat objek
cy = int((y1 + y2) / 2) # Hitung koordinat y pusat objek
if class_id in vehicle_ids: # Periksa apakah objek merupakan kendaraan yang ingin dilacak
class_name = results.names[int(class_id)].upper() # Dapatkan nama kelas objek
track = track_history[track_id] # Ambil sejarah pergerakan objek berdasarkan ID
track.append((cx, cy)) # Tambahkan koordinat pusat objek ke dalam sejarah pergerakan
if len(track) > 20: # Batasi panjang sejarah pergerakan agar tidak terlalu panjang
track.pop(0) # Hapus elemen pertama jika sejarah sudah melebihi batas
points = np.hstack(track).astype("int32").reshape(-1, 1, 2) # Konversi sejarah pergerakan ke format yang sesuai untuk penggambaran
cv2.polylines(frame_color, [points], isClosed=False, color=color, thickness=thickness) # Gambar garis yang merepresentasikan sejarah pergerakan
cv2.rectangle(frame_color, (x1, y1), (x2, y2), color, thickness) # Gambar bounding box objek
text = "ID: {} {}".format(track_id, class_name) # Buat teks ID objek dan nama kelasnya
cv2.putText(frame_color, text, (x1, y1 - 5), font, font_scale, color, thickness) # Tampilkan teks di atas objek
if cy > threshold - 5 and cy < threshold + 5 and cx < 670: # Periksa apakah objek melewati garis atas
down[track_id] = x1, y1, x2, y2 # Simpan informasi objek yang melewati garis atas
if cy > threshold - 5 and cy < threshold + 5 and cx > 670: # Periksa apakah objek melewati garis bawah
up[track_id] = x1, y1, x2, y2 # Simpan informasi objek yang melewati garis bawah
up_text = "Kanan:{}".format(len(list(up.keys()))) # Buat teks jumlah kendaraan yang melewati garis atas
down_text = "Kiri:{}".format(len(list(down.keys()))) # Buat teks jumlah kendaraan yang melewati garis bawah
cv2.putText(frame_color, up_text, (1150, threshold - 5), font, 0.8, color_red, thickness) # Tampilkan teks jumlah kendaraan yang melewati garis atas
cv2.putText(frame_color, down_text, (0, threshold - 5), font, 0.8, color_red, thickness) # Tampilkan teks jumlah kendaraan yang melewati garis bawah
# Background subtraction dan deteksi kontur
grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Konversi frame ke citra grayscale
blur = cv2.GaussianBlur(grey, (3, 3), 5) # Reduksi noise menggunakan Gaussian Blur
img_sub = subtracao.apply(blur) # Background subtraction
dilat = cv2.dilate(img_sub, np.ones((5, 5))) # Dilasi untuk meningkatkan ketebalan objek
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # Kernel untuk operasi morfologi
dilatada = cv2.morphologyEx(dilat, cv2.MORPH_CLOSE, kernel) # Operasi closing untuk mengisi lubang kecil pada objek
dilatada = cv2.morphologyEx(dilatada, cv2.MORPH_CLOSE, kernel) # Operasi closing tambahan
contorno, h = cv2.findContours(dilatada, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Deteksi kontur objek
writer.write(frame_color) # Menyimpan frame hasil pemrosesan
# Menampilkan gambar
cv2.imshow("Warna", frame_color) # Tampilkan mode warna
cv2.imshow("Grayscale", frame_gray) # Tampilkan mode grayscale
cv2.imshow("Detectar", dilatada) # Tampilkan mode Detectar dilatada
if cv2.waitKey(10) & 0xFF == ord("q"): # Keluar saat tombol q ditekan
break
except Exception as e:
print("Terjadi kesalahan:", str(e)) # Tangkap dan tampilkan kesalahan yang terjadi
continue # Lanjutkan ke iterasi berikutnya
cap.release() # Bebaskan sumber daya setelah selesai pemrosesan video
writer.release() # Tutup objek writer
cv2.destroyAllWindows() # Tutup semua jendela yang dibuka oleh OpenCV
print("[INFO]..Video berhasil diproses/disimpan!") # Tampilkan pesan ketika pemrosesan selesai