车流量在目前的交通系统中应该是非常普遍的，可以用于统计某条干道的车辆经过总数，与人流检测实现原理几乎是一样的，都是基于目标检测和跟踪进行，本例的实现是基于yolov5+deepsort，使用yolov5对车辆进行检测，再用deepsort对其跟踪，而后设计一系列的规则撞线进行两个方向的车流数量统计。网上实现的方式有很多种，效果大同小异，可以择优选择学习。

基于之前的yolo+deepsort上，将person类别改为车辆类别，因为coco数据集中，车辆类别有几种【car，bus，truck】，所以都要保存下来。

首先来看一下yolov5+deepsort的车辆跟踪初始效果，看着密密麻麻的框和id，思考一下该如何去设计这些规则进行统计。 首先观察图中，需要构建一个区域对经过的车辆进行统计，因为有两个方向，所以这里构建了黄、蓝两个区域，因为考虑到路面并不是规则矩形，所以构建的是多边形区域。mask掩码代码如下：

最后掩码图如下，后面我们会告诉这个掩码怎么使用。 为了构建出更好的可视化效果，得到的掩码我们使用opencv中的add函数，将deepsort输出的跟踪图与之相融合，得到如下效果图，就能够很清晰的看到车辆经过该区域后计数器开始工作。 好了，准备工作做完了，接下来该介绍如何使用掩码进行计数。首先yolov5检测后得到的框，需要设计一个撞线的点，这个点将代表着这辆车的坐标，而不是检测得到的框，可以取框的中心点，也可以取其他的点，例如我的例子中就取了图中的该点，这个点将代表着这辆汽车： 创建两个列表，分别用于记录经过黄色、蓝色区域的车辆id。所以我们就有如下计数规则：

向下记录规则：

往上记录规则同理：

光看文字的话可能会比较懵逼，可以结合效果图进行理解。

说了这么多，怎么判断车辆的点是否进入了颜色区域呢？回到上面的代码中，在创建mask掩码的时候，额外创建了一个图像矩阵polygon_mask_blue_and_yellow，蓝色区域在矩阵中的值为1，黄色的则为2。与检测的视频中的位置是对应的，所以我们可以很好的判断，如果某个点的坐标在这个矩阵中值为1，则在蓝色区域中，如果值为2，则在黄色区域。具体代码实现如下：

写的有些凌乱，过后如果发现表达不足的地方过后再修改。

另外本文代码实现是基于此行人计数的仓库，做了部分改进和优化，非常感谢他的开源工作。自己的代码有点凌乱还未整理，打算写完这一系列的文章后再进行上传。原理相对来说比较简单，可以自己尝试着去实现。