計算機視覺：使用 YOLOv8 創(chuàng)建交通熱力圖
在一個由數(shù)據(jù)驅(qū)動和導(dǎo)向的世界中，解釋、可視化并基于這些數(shù)據(jù)做出決策的能力變得越來越重要。這意味著，應(yīng)用正確的工具和技術(shù)可能決定一個項目的成敗。在計算機視覺領(lǐng)域，有許多技術(shù)可以解釋從視頻（錄制、流媒體或?qū)崟r）中獲取的數(shù)據(jù)。在特定情況下，例如評估交通強度或某些對象（如人、車輛、動物等）的行為區(qū)域時，熱力圖成為一種非常有效的工具。
熱力圖基于顏色，通常暖色（如紅色、橙色和黃色）表示交通流量或密度較大的區(qū)域，而冷色（如藍(lán)色和綠色）表示交通流量或密度較低的區(qū)域。換句話說，這種技術(shù)可以收集大量數(shù)據(jù)并將其轉(zhuǎn)換為易于理解和直觀的可視化效果。如下例所示：
考慮到實際應(yīng)用，我們可以列舉一些場景，例如需要理解交通擁堵中的運動模式，或理解百貨商店或購物中心走廊中的消費和運動模式。此外，還可以用于分析牧場中動物的運動模式，尤其是在畜牧業(yè)中。
我們以一個包含3條道路的空中視頻為例，其中有一些汽車在行駛。我們的目標(biāo)是創(chuàng)建一條熱力圖，顯示道路上交通最密集的點：
視頻鏈接：https://youtu.be/MNn9qKG2UFI?si=PQWXhDY48dis-Vxs
代碼實現(xiàn)
首先，我們需要導(dǎo)入所需的庫：
from collections import defaultdict
import cv2
import numpy as np
from ultralytics import YOLO然后，我們聲明一個變量來加載訓(xùn)練好的YOLO模型。在我的例子中，我使用了一個“中等”模型。
model = YOLO('yolov8m.pt')接下來，我們需要指定要分析的視頻路徑。
videopath = '/Path/Road traffic video.mp4'
cap = cv2.VideoCapture(videopath)現(xiàn)在，我們創(chuàng)建一個空字典來存儲跟蹤位置（track_history），以及另一個字典來存儲每個對象的最后推斷位置（last_positions）。
track_history = defaultdict(lambda: [])
last_positions = {}由于我們只考慮移動的物體（例如，停放的汽車可能會干擾分析），我們創(chuàng)建了一個函數(shù)來計算兩點之間的歐幾里得距離（p1和p2，分別是幀A和幀B中的物體點）。該距離使用勾股定理計算，返回兩點之間的直線距離。
def calculate_distance(p1, p2):
return np.sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2)當(dāng)然，我們還需要初始化一個熱力圖。使用numpy創(chuàng)建一個矩陣，其中所有元素最初都為零。該矩陣還需要包含3個“層”，分別代表3個顏色通道（RGB）。
heatmap = np.zeros((int(cap.get(4)), int(cap.get(3)), 3), dtype=np.float32)下一步是創(chuàng)建一個while循環(huán)，逐幀處理視頻。
while cap.isOpened():
success, frame = cap.read()如果成功讀取幀，則使用YOLO模型進(jìn)行推理。請注意，我添加了跟蹤和持久性算法，這些算法在處理視頻（幀序列）時非常理想。此外，由于本例的重點是記錄汽車交通，我們只定義了類別2。
if success:
results = model.track(frame, persist=True, classes=2)如果有有效的檢測結(jié)果，我們需要將其記錄到歷史記錄中，同時獲取邊界框的坐標(biāo)，并使用以下代碼更新熱力圖：
for box, track_id in zip(boxes, track_ids):
x_center, y_center, width, height = box
current_position = (float(x_center), float(y_center))
top_left_x = int(x_center - width / 2)
top_left_y = int(y_center - height / 2)
bottom_right_x = int(x_center + width / 2)
bottom_right_y = int(y_center + height / 2)
top_left_x = max(0, top_left_x)
top_left_y = max(0, top_left_y)
bottom_right_x = min(heatmap.shape[1], bottom_right_x)
bottom_right_y = min(heatmap.shape[0], bottom_right_y)
track = track_history[track_id]
track.append(current_position)
if len(track) > 1200:
track.pop(0)為了檢查物體是否在移動，我們使用calculate_distance函數(shù)計算最后一個記錄點與當(dāng)前點之間的距離。如果距離達(dá)到最小值，則將其記錄到熱力圖中。
last_position = last_positions.get(track_id)
if last_position and calculate_distance(last_position, current_position) > 5:
heatmap[top_left_y:bottom_right_y, top_left_x:bottom_right_x] += 1
last_positions[track_id] = current_position隨著移動物體的跟蹤點被記錄，出于美觀原因，我們在熱力圖上添加了高斯模糊濾鏡。
heatmap_blurred = cv2.GaussianBlur(heatmap, (15, 15), 0)然后，我們對熱力圖進(jìn)行歸一化處理，并在原始視頻幀上疊加顏色，以使其更直觀。
heatmap_norm = cv2.normalize(heatmap_blurred, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)
heatmap_color = cv2.applyColorMap(heatmap_norm, cv2.COLORMAP_JET)
alpha = 0.7
overlay = cv2.addWeighted(frame, 1 - alpha, heatmap_color, alpha, 0)
cv2.imshow("Traffic Heatmap", overlay)最后，我們?yōu)閣hile循環(huán)添加一個退出鍵，并在視頻結(jié)束時使用cap.release()和cv2.destroyAllWindows()關(guān)閉循環(huán)。
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
break
cap.release()
cv2.destroyAllWindows()結(jié)果
運行代碼后，我們會看到一個窗口打開，屏幕上應(yīng)用了藍(lán)色背景（熱力圖濾鏡）。當(dāng)YOLO模型檢測到汽車時，濾鏡值會根據(jù)汽車的強度和數(shù)量進(jìn)行更新，并用更熱的顏色突出顯示。
