基于C#和OpenCV的目标检测计数实战：从算法选型到性能优化

1次阅读

没有评论

共计 2186 个字符，预计需要花费 6 分钟才能阅读完成。

在工业自动化场景中，传统计数方法（如背景差分、光流法）常遇到三大难题：

光照敏感：生产线上的灯光波动会导致背景建模失效，产生大量误检
目标重叠：传送带上的密集物体相互遮挡时，基于轮廓的方法无法准确分割
实时性差：传统算法在 1080p 视频流上平均处理耗时超过 100ms/ 帧，难以满足高速产线需求

对比当前主流方案：

TensorFlow.NET：
优势：原生支持 TensorFlow 模型，生态完善
劣势：依赖 Python 环境，部署复杂度高
ML.NET：
优势：微软官方库，与.NET 深度集成
劣势：计算机视觉功能较弱，需自定义预处理
OpenCV+ONNX：
优势：纯 C ++ 实现无 Python 依赖，支持硬件加速
最终选择原因：OpenCV 的 DNN 模块可直接加载 YOLOv5 ONNX 模型，实测在 i7-11800H 上推理速度达 45FPS

模型加载与预处理代码示例：

// 初始化模型（需引用 OpenCvSharp4）var net = CvDnn.ReadNetFromONNX("yolov5s.onnx");
net.SetPreferableBackend(Backend.OPENCV);
net.SetPreferableTarget(Target.CPU);

// 图像预处理
Mat inputBlob = CvDnn.BlobFromImage(
    src: sourceImage,
    scalefactor: 1/255.0,
    size: new Size(640, 640),
    mean: new Scalar(0,0,0),
    swapRB: true,
    crop: false
);

采用生产者 - 消费者模式：

视频采集线程：独立线程从 RTSP 流抓取帧
处理线程池：4 个 Worker 线程并行执行目标检测
结果聚合线程：通过 ConcurrentQueue 实现线程安全的数据传递

关键同步机制：

// 使用 BlockingCollection 实现线程安全队列
var frameQueue = new BlockingCollection<Mat>(boundedCapacity: 10);

// 生产者代码片段
while (camera.IsOpened()) 
{var frame = new Mat();
    if (camera.Read(frame))
        frameQueue.TryAdd(frame);
}

// 消费者代码片段
Parallel.For(0, 4, i => 
{foreach (var frame in frameQueue.GetConsumingEnumerable())
    {ProcessFrame(frame);
        frame.Dispose();}
});

基于匈牙利算法的实现要点：

使用 IOU（交并比）作为代价矩阵
设置 0.5 的匹配阈值过滤无效关联
为每个目标维护唯一 ID

在.NET 中使用 Vector 类：

// 矩阵归一化加速示例
unsafe void Normalize(float* data, int length)
{
    var vecSize = Vector<float>.Count;
    int i = 0;
    for (; i <= length - vecSize; i += vecSize)
    {var vec = new Vector<float>(data + i);
        vec *= 1/255f;
        vec.CopyTo(data + i);
    }
    // 处理剩余元素...
}

创建 Mat 对象池：

// 初始化对象池
var matPool = new ConcurrentBag<Mat>();

// 获取 Mat 对象（自动创建新对象当池为空时）Mat GetMat() => matPool.TryTake(out var mat) ? mat : new Mat();

// 释放时回收
void ReleaseMat(Mat mat)
{if(mat.Width == 640 && mat.Height == 640)
        matPool.Add(mat);
    else
        mat.Dispose();}

实测效果：GC 次数从每分钟 120 次降至 3 次

输入维度不匹配：
错误现象：[1,3,640,640] vs [1,640,640,3]
解决方案：显式指定 BlobFromImage 的 swapRB 参数
输出层解析错误：
YOLOv5 输出格式为[1,25200,85]
需要过滤置信度 <0.5 的预测框

避免在锁内调用第三方库（OpenCV 部分方法有内部锁）
采用 Monitor.TryEnter 设置超时时间

应用指数加权移动平均：

// 平滑计数结果
float smoothedCount = 0;
const float alpha = 0.1f;

void UpdateCount(int newCount)
{smoothedCount = alpha * newCount + (1 - alpha) * smoothedCount;
    DisplayCount((int)Math.Round(smoothedCount));
}

本方案可迁移到边缘计算场景：