# 车辆识别2

**Repository Path**: sys_one/vehicle-identification

## Basic Information

- **Project Name**: 车辆识别2
- **Description**: 车辆识别
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-10-30
- **Last Updated**: 2025-12-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 隧道车流量统计系统
专注车辆识别与车流量精准统计，支持单图/批量图片、单视频/批量视频处理，提供命令行与 GUI 双操作模式，输出结构化统计报表与可视化标注结果。

### ☁️项目概述
系统基于 YOLOv8 目标检测算法，实现隧道场景下车辆的实时识别与计数，输出瞬时车流量（辆/分钟）与车流密度（0-10 级量化）数据。支持离线批量处理与在线视频流分析，满足隧道车流监测的精准化、自动化需求。

### 🌈软件架构

```
Project2/
├── src/               # 核心源代码目录
├── config/            # 配置文件目录
├── data/              # 数据存储目录
    ├── external/          # 外部数据（如天气数据）
    ├── processed/         # 处理后的数据
    └── raw/               # 原始数据
        ├── annotations/   # 标注数据
        ├── images/        # 图像数据
        └── videos/        # 视频数据
├── outputs/           # 输出结果目录
    ├── logs/              # 日志文件
    ├── reports/           # 统计报告（Excel、JSON）
    └── visualizations/    # 可视化结果
├── models/            # 模型存储目录
├── test/              # 测试代码目录
├── main.py            # 主程序入口
└── README.md          # 项目说明文档
```

#### 🚗 车辆识别与车流分析模块
1. 目标检测：基于 YOLOv8 实现车辆精准识别，支持轿车、货车、客车等常见车型，过滤非车辆目标（行人、非机动车等）。
2. 车流量计算
◦ 图像模式：单张图片直接输出车辆总数；批量图片输出每图车辆数及汇总统计。
◦ 视频模式：基于帧计数统计瞬时车流量（辆/分钟），结合时间窗口计算车流密度（0-10 级）；支持 DeepSORT 多目标跟踪，解决车辆跨帧重复计数问题。
3. 性能指标：GPU 环境下处理帧率≥25FPS，单帧检测耗时≤40ms；车辆识别准确率≥95%（隧道场景）。
4. 异常预警：识别到行人、非机动车闯入时，自动生成告警日志并标记异常帧。
5. 结果输出：保存带检测边界框的可视化图像/视频帧；生成 Excel 汇总报表、CSV 详细数据、JSON 统计结果。
   

车流量统计：对汽车数量进行精确计数，支持单张图片和批量图片统计。   
异常预警：对高速场景中的非汽车类危险目标生成针对性警告信息。  
结果可视化：保存标注了检测边界框和类别信息的图像。   
数据记录：生成 CSV 格式的详细统计报告、TXT 格式的统计摘要，并将历史数据汇总到 Excel 文件。


### 🏷️特性概览
- 车辆识别与车流分析（YOLOv8 / 增强检测器）
- 单图/批量图片识别与统计导出
- 单视频/批量视频处理、跟踪与统计导出


### 🎦安装与环境

#### 核心技术栈
深度学习：YOLOv8（目标检测）、PyTorch（模型推理）；       
数据处理：NumPy（数值计算）、Pandas（数据分析）、OpenCV（图像处理）；  
可视化与接口：FastAPI（后端 API）、Matplotlib/Plotly（数据可视化）、Vue.js（前端页面）；   
部署环境：Python 3.8+、Linux/Windows。    

#### 环境依赖
Python 3.8+     
PyTorch 1.7+    
OpenCV 4.0+（图像处理）    
NumPy   
ultralytics（YOLOv8 官方库）  
pandas & openpyxl（数据统计与 Excel 操作）    
logging（日志管理）   
依赖包：详见requirements.txt，核心依赖如下   

```
ultralytics>=8.0.0
opencv-python>=4.8.0
numpy>=1.24.0
pandas>=2.0.0
torch>=2.0.0
torchvision>=0.15.0
scikit-learn>=1.3.0
deep-sort-realtime>=1.3.0
```


#### 硬件要求
| 场景    | CPU                   | 内存   | GPU（可选）          | 外设         |
|-------|-----------------------|------|------------------|------------|
| 开发/测试 | Intel i5+/AMD Ryzen5+ | 8GB+ | NVIDIA GTX 1060+ | 摄像头 / 视频文件 |



### 📖快速开始
#### 1、克隆项目
```
git clone https://gitee.com/sys_one/light-adjustment.git
cd Project2
```


#### 2、安装依赖
```
# 创建虚拟环境（推荐）
conda create -n car python=3.9
conda activate car
# 安装依赖包
pip install -r requirements.txt
```


#### 3. 配置
- 模型路径与参数可在 `models/` 与 `config/` 中调整（如 YOLO 权重与置信度阈值）

#### 4. 命令行用法
```
# 启动图形界面
python main.py gui

# 单张图片识别并导出统计（默认YOLO）
python main.py image e:\pythonPJ\Project2\data\raw\images\input\21.png --output outputs\images --model yolo

# 批量图片识别（整目录），导出Excel + 标注图片
python main.py images e:\pythonPJ\Project2\data\raw\images\input --output outputs\images --model yolo
# 结果：outputs/images/batch_image_detection_results.xlsx

# 单视频处理
python main.py single e:\pythonPJ\Project2\data\raw\videos\input\video1.mp4 --output outputs --model deepsort --roi 100,100,800,400

# 批量视频处理（整目录）
python main.py batch e:\pythonPJ\Project2\data\raw\videos\input --output outputs

# 多视频分析（含汇总）
python main.py multi e:\pythonPJ\Project2\data\raw\videos\input --output outputs --model deepsort

# 查看版本
python main.py version
```

参数说明（与子命令相关）：
- `gui`：启动桌面界面
- `image`：处理单张图片；`--model` 取值 `yolo|enhanced`
- `images`：批量处理图片目录；输出 Excel `batch_image_detection_results.xlsx`
- `single`：处理单个视频；`--model` 取值 `basic|cnn_lstm|deepsort`；可选 `--roi x,y,w,h`
- `batch`：批量处理视频目录
- `multi`：多视频分析汇总



####  5. 数据准备

```
├── data/              # 数据存储目录
    ├── external/          # 外部数据
    ├── processed/         # 处理后的数据
    └── raw/               # 原始数据
        ├── annotations/   # 标注数据
        ├── images/        # 图像数据
        └── videos/        # 视频数据

```

### 📚使用说明
#### GUI 使用
- 启动：`python main.py gui`
- 单图识别：选择图片，选择检测器（YOLO/Enhanced），结果直接显示车辆数、并保存标注图与统计JSON
- 批量图片识别：
  - 选择“图片文件夹”“输出目录”“模型”，点击“运行批量图片识别”
  - 界面显示“预计剩余时间”与进度条，完成后日志显示 Excel 路径
  - 点击“打开导出的Excel”可直接打开 `batch_image_detection_results.xlsx`
- 视频识别：选择视频与模型（推荐 `deepsort`），可选设置 `ROI x,y,w,h`；界面实时显示车辆数
- 训练曲线：点击“生成训练曲线图”，自动合成 10 张指标图为 2×5 网格 `results_grid.png`


#### 输出文件
- 图片标注：`outputs/images/detected_*.png/jpg`
- 单图统计：`outputs/images/image_stats.json`
- 批量图片统计：`outputs/images/batch_image_detection_results.xlsx`
- 单视频统计：`outputs/basic_stats.json` 或 `outputs/deepsort_stats.json`
- 批量/多视频汇总：`outputs/vehicle_count_results.xlsx`、`outputs/deepsort_stats.xlsx`

### 🔎核心模块简述
目标检测（YOLOv8）与亮度决策的核心示例：

1. 目标检测模块
```
from ultralytics import YOLO

class YOLODetector:
    def __init__(self, model_path, conf_threshold=0.5):
        self.model = YOLO(model_path)
        self.conf = conf_threshold

    def detect(self, frame):
        results = self.model(frame, conf=self.conf, classes=[2,3,5,7])  # 仅检测车辆类别
        vehicles = []
        for box in results[0].boxes:
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            cls = int(box.cls)
            vehicles.append({"bbox": (x1,y1,x2,y2), "class": cls})
        return vehicles, len(vehicles)  # 车辆列表、数量
```


### ‼️FAQ 故障排除
#### 常见问题

1. YOLO 模型加载失败 
    → 检查model.yaml中模型路径是否正确，确保models/目录下存在对应.pt文件；
    → 若网络问题导致预训练模型无法自动下载，手动下载后    放入models/。

2. 检测帧率过低
    → 启用 GPU 加速（安装 CUDA 版 PyTorch）；
    → 降低输入分辨率（如--imgsz 480）或使用轻量化模型（YOLOv8n）。

3. 性能问题 
    → 降低处理帧率 
    → 启用GPU加速

### 🔍效果验证
1.对图片车辆识别统计车流量       
![输入图片说明](show/21_detected.jpg)  
![输入图片说明](show/img_12_detected.jpg)   
2.对视频车辆识别统计车流量      
![输入图片说明](show/1f32b568cc80d7cc17e0bf1096b32b9e.png)        
3.对视频车辆识别显示车辆轨迹            
![输入图片说明](show/7a9b6f7332b66bfec9a1ff6c452121be.png)           


### 🤖响应速度
单帧检测耗时：≤40ms（GPU 环境）/ ≤150ms（CPU 环境）；    
亮度调控指令下发延迟：≤500ms。    


### ✍️更新日志
v1.0.0 (2025-11-10)
初始版本发布
实现基本车辆     

v1.1.0（2025-11-20）
新增天气识别模块；
优化决策算法，提升节能率至 50%+



```
使用先进的目标检测模型作为基础，但需要针对遮挡进行优化。     
利用视频序列信息（如果是视频）进行跟踪，使用DeepSORT等算法。   
采用专门针对遮挡设计的检测或分割方法。    
使用数据增强技术，模拟遮挡情况，提高模型鲁棒性。     
引入注意力机制，让模型更关注可见部分。      
使用多尺度特征融合，以检测被遮挡的小目标。     
______________________________________________________________     
输入视频流/图像序列      
    ↓
改进的遮挡感知检测模块 (Occlusion-Aware YOLOv8)     
    ↓
多特征融合跟踪模块 (Enhanced DeepSORT)     
    ↓
遮挡推理与恢复模块 (Occlusion Reasoning)      
    ↓
输出：带状态标注的车辆轨迹