五指山市网站建设_网站建设公司_腾讯云_seo优化

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：
python语言、YOLOv8、汽车速度检测与跟踪、车辆超速检测、深度学习、PyQt5
功能：
（1）车辆检测跟踪：车辆检测识别、车辆跟踪
（2）超速检测：速度计算、超速截图、语音报警、数据库记录

本系统设置直行速度阈值为60千米每小时，转弯速度阈值为30千米每小时。

2、项目界面

（1）车辆超速检测显示为红色

（2）车辆超速检测显示为红色

（3）车辆速度检测与跟踪

（4）车辆速度检测与跟踪

（5）车辆速度检测与跟踪

3、项目说明

随着城市化进程的加速和机动车辆数量的激增，传统的交通管理策略已难以满足当前的需求，尤其是在应对日益严重的交通拥堵和事故频发问题上。基于深度学习的智能交通监控技术显示出巨大的潜力。本研究旨在设计并实现一个基于YOLOv8算法的汽车速度检测系统，主要工作内容如下：
（1）技术评估与算法选择。对现有的基于深度学习的目标检测技术进行了全面评估。通过深入分析YOLOv5和YOLOv8这两种先进的目标检测算法，对比了它们的平均精度，并基于此选择了YOLOv8算法。鉴于YOLOv8在目标跟踪方面的局限性，研究引入了IOU-Tracker算法，以增强系统对目标车辆的追踪能力，从而为精确的速度检测打下了坚实的基础。
（2）数据集构建与模型训练。在模型训练阶段，保留了800张满足算法要求的汽车图片。这些图片经过标注工具labellmg的精确标注，转化为包含位置和分类信息的数据集，为YOLOv8模型的训练提供了必要的Ground-truth。
（3）系统设计与实现。设计并实现了一个综合性的汽车速度检测系统，该系统不仅能够实时监测道路上的车辆速度，还能够对超速行为进行及时的检测、截图记录、报警通知以及数据存储。
（4）系统测试与结果分析。在系统测试阶段，对YOLOv8与IOU-Tracker相结合的算法模型进行了验证，以确保其在视频车辆识别和检测跟踪方面的准确性和可行性。测试结果表明，系统能够高效地实时显示目标车辆的跟踪轨迹和速度测量情况，并且还能够导出详细的检测结果和截图文件，为进一步的分析和处理提供了支持。

关键词：交通管控；目标检测；YOLOv8算法；速度检测

4、核心代码

importcv2fromcollectionsimportdefaultdictimportnumpyasnpfromtimeimporttimeimporttimeastimfromPyQt5.QtGuiimportQImage,QPixmapfromultralytics.utils.plottingimportAnnotator,colorsfromutils.playMusicimport*fromutils.dataBaseServiceimportDataBaseService,ChaoSu settings={"MYSQL_HOST":"localhost","MYSQL_DBNAME":"cardatabase","MYSQL_USER":"root","MYSQL_PASSWD":"123456","MYSQL_CHARSET":"utf8","MYSQL_PORT":3306}db=DataBaseService.connect(settings)PlayMusic.music_path='sound'old_track_ids=[]im0=None#原始图像annotator=None#注解器#区域信息reg_pts=[(20,400),(1260,400)]#速度计算区域点region_thickness=3#区域线条厚度#预测/跟踪信息clss=None#类别boxes=None#边界框trk_ids=None#跟踪idtrk_pts=None#跟踪点trk_history=defaultdict(list)#跟踪历史#速度统计信息current_time=0#当前时间dist_data={}#速度数据trk_idslist=[]#跟踪ID列表spdl_dist_thresh=10#欧式距离阈值trk_previous_times={}#先前时间的记录trk_previous_points={}#先前点的记录chaosu=[]#超速记载defcar(img,results,combo_box,track_history,width,height):globalold_track_idsglobalchaosuglobaldb bbox=results[0].boxes.data.tolist()# 点的位置estimate_speed(img,results,width,height)# 预估速度算法ifresults[0].boxes.idisnotNone:track_ids=results[0].boxes.id.int().tolist()forid1inold_track_ids:ifid1notintrack_ids:foriinrange(combo_box.count()):ifstr(combo_box.itemText(i))==str(id1):combo_box.removeItem(i)break# 追踪单个目标forid2intrack_ids:ifid2notinold_track_ids:combo_box.addItem(str(id2))old_track_ids=track_ids preprocess=results[0].speed['preprocess']inference=results[0].speed['inference']postprocess=results[0].speed['postprocess']FPS=int(1000/(preprocess+postprocess+inference))#测fps (preprocess+postprocess+inference)speed=0s=0re_x=0re_y=0id=0ifbbox!=[]:fortempinbbox:iflen(temp)==7:#=7说明追踪到了score=temp[5]cls=temp[6]id=int(temp[4])else:score=temp[4]cls=temp[5]ifcombo_box.currentText()==str(id):# 当前框选的是单个车辆speed=int(dist_data[id]/150)ifidindist_dataelse"未过速度检测线"re_x=(int(temp[0])+int(temp[2]))/2# 中心点x坐标re_y=(int(temp[1])+int(temp[3]))/2# 中心点y坐标s=round(score,2)ifcombo_box.currentText()==str(id)orcombo_box.currentText()=="全体车辆":ifidindist_data:ifint(dist_data[id]/150)>60:cv2.rectangle(img,(int(temp[0]),int(temp[1])),(int(temp[2]),int(temp[3])),(0,0,255),2)#左上角和右下角的位置img=cv2.putText(img,"id:"+str(int(id))+" "+"class:"+str("car")+" "+"speed:"+f"{int(dist_data[id]/150)}km/ph",(int(temp[0]),int(temp[1])-5),cv2.FONT_HERSHEY_SIMPLEX,0.5,(105,237,249),1)ifidnotinchaosu:PlayMusic.chaosu()localtime=tim.localtime(tim.time())bjtime=str(localtime[0])+'年'+str(localtime[1])+'月'+str(localtime[2])+'日'+str(localtime[3])+'时'+str(localtime[4])+'分'+str(localtime[5])+'秒'local=r'output\%sid%s.jpg'%(bjtime,str(id))#超速的年月日cv2.imencode('.jpg',img)[1].tofile(r'output\%sid%s.jpg'%(bjtime,str(id)))#写图片data=ChaoSu()# 调用数据库算法data.num=iddata.speed=int(dist_data[id]/150)data.time=tim.strftime("%Y-%m-%d %H:%M:%S",tim.localtime())data.local=str(local)db.insertToList(data)chaosu.append(id)# 只截一张图else:cv2.rectangle(img,(int(temp[0]),int(temp[1])),(int(temp[2]),int(temp[3])),(0,255,0),2)img=cv2.putText(img,"id:"+str(int(id))+" "+"class:"+str("car")+" "+"speed:"+f"{int(dist_data[id]/150)}km/ph",# f"{int(dist_data[id]/3)}km/ph"(int(temp[0]),int(temp[1])-5),cv2.FONT_HERSHEY_SIMPLEX,0.5,(105,237,249),1)else:cv2.rectangle(img,(int(temp[0]),int(temp[1])),(int(temp[2]),int(temp[3])),(0,255,0),2)img=cv2.putText(img,"id:"+str(int(id))+" "+"class:"+str("car")+" "+str(round(score,2)),(int(temp[0]),int(temp[1])-5),cv2.FONT_HERSHEY_SIMPLEX,0.5,(105,237,249),1)box_xy=results[0].boxes.xywh# 画轨迹ifresults[0].boxes.idisnotNone:track_ids=results[0].boxes.id.int().tolist()forbox,track_idinzip(box_xy,track_ids):ifcombo_box.currentText()==str(track_id)orcombo_box.currentText()=="全体车辆":x,y,w,h=box track=track_history[track_id]track.append((float(x),float(y)))iflen(track)>15:track.pop(0)points=np.hstack(track).astype(np.int32).reshape((-1,1,2))cv2.polylines(img,[points],isClosed=False,color=(0,255,0),thickness=10)# 画线returnimg,id,speed,s,int(re_x),int(re_y),FPS#提取跟踪信息的方法defextract_tracks(tracks):globalboxesglobaltrk_idsglobalclss boxes=tracks[0].boxes.xyxy.cpu()# 边界框clss=tracks[0].boxes.cls.cpu().tolist()# 类别trk_ids=tracks[0].boxes.id.int().cpu().tolist()# 跟踪IDdefstore_track_info(track_id,box):globaltrk_historyglobaltrk_pts# 存储追踪信息track=trk_history[track_id]# 存在历史的点位，形成追踪的线条bbox_center=(float((box[0]+box[2])/2),float((box[1]+box[3])/2))# 中心点的位置track.append(bbox_center)iflen(track)>30:track.pop(0)trk_pts=np.hstack(track).astype(np.int32).reshape((-1,1,2))returntrackdefcalculate_speed(trk_id,track):globalreg_ptsglobalspdl_dist_threshglobaltrk_previous_timesglobaltrk_idslisglobaltrk_previous_pointsglobaldist_dataifnotreg_pts[0][1]<track[-1][1]<reg_pts[1][1]:# 基准线returnifreg_pts[1][0]-spdl_dist_thresh<track[-1][0]<reg_pts[1][0]+spdl_dist_thresh:direction="known"elifreg_pts[0][0]-spdl_dist_thresh<track[-1][0]<reg_pts[0][0]+spdl_dist_thresh:direction="known"else:direction="unknown"# 方向iftrk_previous_times[trk_id]!=0anddirection!="unknown"andtrk_idnotintrk_idslist:trk_idslist.append(trk_id)time_difference=time()-trk_previous_times[trk_id]iftime_difference>0:dist_difference=np.abs(track[-1][0]-trk_previous_points[trk_id][1])speed=dist_difference/time_difference# 速度计算dist_data[trk_id]=speed trk_previous_times[trk_id]=time()trk_previous_points[trk_id]=track[-1]# 存储追踪信息的方法defestimate_speed(im0,tracks,width,height):globalreg_ptsglobalboxesglobaltrk_idsglobalclssglobaltrk_previous_times# 计算基于跟踪数据的物体速度reg_pts=[(width/2,0),(width/2,height)]# 阈值线，计算物体的速度im0=im0iftracks[0].boxes.idisnotNone:extract_tracks(tracks)annotator=Annotator(im0,line_width=2)annotator.draw_region(reg_pts=reg_pts,color=(255,0,0),thickness=region_thickness)forbox,trk_id,clsinzip(boxes,trk_ids,clss):track=store_track_info(trk_id,box)iftrk_idnotintrk_previous_times:trk_previous_times[trk_id]=0calculate_speed(trk_id,track)

5、项目获取

（绿色聊天软件）yuanmazhiwu 或 biyesheji0005

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻