在一個(gè)由數(shù)據(jù)驅(qū)動(dòng)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(lái)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(gè)項(xiàng)目的成敗。在計(jì)算機(jī)視覺(jué)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(shí)）中獲取的數(shù)據(jù)。在特定情況下，例如評(píng)估交通強(qiáng)度或某些對(duì)象（如人、車(chē)輛、動(dòng)物等）的行為區(qū)域時(shí)，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(huà)說(shuō)，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(guān)的可視化效果。如下例所示：

考慮到實(shí)際應(yīng)用，我們可以列舉一些場(chǎng)景，例如需要理解交通擁堵中的運(yùn)動(dòng)模式，或理解百貨商店或購(gòu)物中心走廊中的消費(fèi)和運(yùn)動(dòng)模式。此外，還可以用于分析牧場(chǎng)中動(dòng)物的運(yùn)動(dòng)模式，尤其是在畜牧業(yè)中。

我們以一個(gè)包含3條道路的空中視頻為例，其中有一些汽車(chē)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(diǎn)：

視頻鏈接：https://youtu.be/MNn9qKG2UFI?si=PQWXhDY48dis-Vxs

代碼實(shí)現(xiàn)

首先，我們需要導(dǎo)入所需的庫(kù)：

from collections import defaultdict
import cv2
import numpy as np
from ultralytics import YOLO

然后，我們聲明一個(gè)變量來(lái)加載訓(xùn)練好的YOLO模型。在我的例子中，我使用了一個(gè)“中等”模型。

model = YOLO('yolov8m.pt')

接下來(lái)，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(gè)空字典來(lái)存儲(chǔ)跟蹤位置（track_history），以及另一個(gè)字典來(lái)存儲(chǔ)每個(gè)對(duì)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(dòng)的物體（例如，停放的汽車(chē)可能會(huì)干擾分析），我們創(chuàng)建了一個(gè)函數(shù)來(lái)計(jì)算兩點(diǎn)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(diǎn)）。該距離使用勾股定理計(jì)算，返回兩點(diǎn)之間的直線(xiàn)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(gè)熱力圖。使用numpy創(chuàng)建一個(gè)矩陣，其中所有元素最初都為零。該矩陣還需要包含3個(gè)“層”，分別代表3個(gè)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(gè)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(qǐng)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(shí)非常理想。此外，由于本例的重點(diǎn)是記錄汽車(chē)交通，我們只定義了類(lèi)別2。

if success:
   results = model.track(frame, persist=True, classes=2)

如果有有效的檢測(cè)結(jié)果，我們需要將其記錄到歷史記錄中，同時(shí)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(dòng)，我們使用calculate_distance函數(shù)計(jì)算最后一個(gè)記錄點(diǎn)與當(dāng)前點(diǎn)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(dòng)物體的跟蹤點(diǎn)被記錄，出于美觀(guān)原因，我們?cè)跓崃D上添加了高斯模糊濾鏡。

 heatmap_blurred = cv2.GaussianBlur(heatmap, (15, 15), 0)

然后，我們對(duì)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(guān)。

  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(gè)退出鍵，并在視頻結(jié)束時(shí)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(yùn)行代碼后，我們會(huì)看到一個(gè)窗口打開(kāi)，屏幕上應(yīng)用了藍(lán)色背景（熱力圖濾鏡）。當(dāng)YOLO模型檢測(cè)到汽車(chē)時(shí)，濾鏡值會(huì)根據(jù)汽車(chē)的強(qiáng)度和數(shù)量進(jìn)行更新，并用更熱的顏色突出顯示。