亚洲成人一区,字幕网av,伊人激情网

今天我們將利用python+OpenCV實(shí)現(xiàn)對(duì)視頻中物體數(shù)量的監(jiān)控，達(dá)到視頻監(jiān)控的效果，比如洗煤廠的監(jiān)控水龍頭的水柱顏色，當(dāng)水柱為黑色的超過了一半，那么將說明過濾網(wǎng)發(fā)生了故障。當(dāng)然不僅如此，我們看的是圖像視頻處理的技巧，你也可以將項(xiàng)目遷移到其他地方等，這僅僅是一個(gè)例子而已。我們知道計(jì)算機(jī)視覺中關(guān)于圖像識(shí)別有四大類任務(wù)：

分類-Classification：解決“是什么？”的問題，即給定一張圖片或一段視頻判斷里面包含什么類別的目標(biāo)。

定位-Location：解決“在哪里？”的問題，即定位出這個(gè)目標(biāo)的的位置。

檢測(cè)-Detection：解決“是什么？在哪里？”的問題，即定位出這個(gè)目標(biāo)的的位置并且知道目標(biāo)物是什么。

分割-Segmentation：分為實(shí)例的分割（Instance-level）和場(chǎng)景分割（Scene-level），解決“每一個(gè)像素屬于哪個(gè)目標(biāo)物或場(chǎng)景”的問題。

而定位不僅需要找到物體的位置在哪里，還需要能夠統(tǒng)計(jì)目標(biāo)的數(shù)目以及物體狀態(tài)。

除了圖像分類以外，目標(biāo)檢驗(yàn)要解決問題的架構(gòu)難題是：

1.目標(biāo)有可能經(jīng)常出現(xiàn)在影像的任何方位；

2.目標(biāo)有各種有所不同的尺寸；

3.目標(biāo)有可能有各種有所不同的外形。

如果用矩形框來界定目的，則長(zhǎng)方形有有所不同的清晰度。由于目的的清晰度有所不同，因此使用經(jīng)典之作的轉(zhuǎn)動(dòng)視窗+影像圖形的計(jì)劃解決問題標(biāo)準(zhǔn)化目的檢驗(yàn)難題的生產(chǎn)成本太低。近幾年來，目標(biāo)檢測(cè)算法取得了很大的突破。比較流行的算法可以分為兩類，一類是基于Region Proposal的R-CNN系算法（R-CNN，F(xiàn)ast R-CNN, Faster R-CNN等），它們是two-stage的，需要先算法產(chǎn)生目標(biāo)候選框，也就是目標(biāo)位置，然后再對(duì)候選框做分類與回歸。而另一類是Yolo，SSD這類one-stage算法，其僅僅使用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)CNN直接預(yù)測(cè)不同目標(biāo)的類別與位置。第一類方法是準(zhǔn)確度高一些，但是速度慢，但是第二類算法是速度快，但是準(zhǔn)確性要低一些。那么今天我們的項(xiàng)目并不會(huì)太多的講解各種算法，而是我們的核心主題，目標(biāo)數(shù)量識(shí)別。

那么我們將如何進(jìn)行實(shí)現(xiàn)呢

多說無益，下面可以開始實(shí)現(xiàn)我們的項(xiàng)目。

首先導(dǎo)入相關(guān)的庫(kù)

									import cv2

									from PIL import Image

									from PIL import ImageDraw,ImageFont

									import numpy as np

接著我們需要把水龍頭流出水柱的部分提取出來，即需要把圖片預(yù)先處理成這樣，作為背景圖來用，名為3ji.jpg如圖所示：

通過 Python 和 OpenCV 實(shí)現(xiàn)目標(biāo)數(shù)量監(jiān)控

然后通過圖像作差的方法找到水柱的部分，首先就需要將圖像轉(zhuǎn)彩灰度圖然后高斯模糊便于計(jì)算，當(dāng)然其實(shí)不這樣也是可以的。其中2.jpg是測(cè)試的圖片，

通過 Python 和 OpenCV 實(shí)現(xiàn)目標(biāo)數(shù)量監(jiān)控

代碼如下：

									'''3ji是背景圖不可換，調(diào)試換另一個(gè)圖片,3ji自己用畫圖找到水的位置清除掉水柱即可，所以說攝像頭不能動(dòng)'''

									firstframe=cv2.imread("3ji.jpg")

									firstframe= cv2.cvtColor(firstframe, cv2.COLOR_BGR2GRAY)

									firstframe= cv2.GaussianBlur(firstframe, (21, 21), 0)

									secondframe0=cv2.imread("2.jpg")

									secondframe0= cv2.cvtColor(secondframe0, cv2.COLOR_BGR2GRAY)

									secondframe= cv2.GaussianBlur(secondframe0, (21, 21), 0)

									frameDelta = cv2.absdiff(firstframe, secondframe)

									x,y=frameDelta.shape

									print(x,y)

接著通過邊緣檢測(cè)找到水柱邊界，方便查看。

									#frameDelta和canny一個(gè)是區(qū)域一個(gè)是輪廓

									img = cv2.GaussianBlur(frameDelta,(3,3),0)

									canny = cv2.Canny(img, 0, 100)

定義水柱總面積變量。清水面積變量，ss數(shù)組存儲(chǔ)像素值位置

									area=0 #6687,總面積

									qingarea=0

									ss=[]

然后畫出輪廓，并記錄水柱處像素值得位置

									#畫輪廓,存儲(chǔ)要識(shí)別的像素值位置，記錄在ss數(shù)組中

									for i in range(x):

									  for j in range(y):

									   if any(frameDelta[i,j]!=[0,0,0]):#白色的時(shí)候，占位

									    ss.append([i,j])

然后以原圖加輪廓圖顯示，圖片相加即可：

1	`canny0=cv2.add(secondframe0,canny)`

接著根據(jù)像素值大小判斷顏色，通過調(diào)試這個(gè)項(xiàng)目的閾值是50

									#判斷水柱顏色,清水占多少像素

									for t in ss:

									 k,l=t

									 area=area+1

									 if canny0[k, l] > 50:

									  print(canny0[k,l])

									  qingarea+=1

									接著統(tǒng)計(jì)黑色水柱占比率為多少

									deta=(qingarea/area)*100

									print(qingarea)

									pred="清水占比為"+str(deta)+"%"

									print(pred)

最后輸出圖像結(jié)果：

									cv2.imwrite("pred.jpg",canny0)

									canny0=cv2.imread("pred.jpg")

									img_PIL = Image.fromarray(cv2.cvtColor(canny0, cv2.COLOR_BGR2RGB))

									myfont = ImageFont.truetype(r'C:/Windows/Fonts/simfang.ttf', 40)

									draw = ImageDraw.Draw(img_PIL)

									draw.text((200, 10), pred, font=myfont, fill=(255,23,140))

									img_OpenCV = cv2.cvtColor(np.asarray(img_PIL), cv2.COLOR_RGB2BGR)

									cv2.imshow("frame", img_OpenCV)

									key = cv2.waitKey(0)

最終達(dá)到的演示效果如圖所示：

清水占比96%，還是比較準(zhǔn)確的

通過 Python 和 OpenCV 實(shí)現(xiàn)目標(biāo)數(shù)量監(jiān)控

清水占比38%，黑水占比62%，也基本準(zhǔn)確。

通過 Python 和 OpenCV 實(shí)現(xiàn)目標(biāo)數(shù)量監(jiān)控

當(dāng)然這僅僅是一個(gè)思路的問題，至少目前為止網(wǎng)上還沒有對(duì)物體數(shù)目去監(jiān)控的項(xiàng)目例子，盡管并不是如此高深，但是卻是一個(gè)很好的探究方向。不僅僅是智能采礦的需要，也可以是智能農(nóng)業(yè)或者智能畜牧業(yè)等方面監(jiān)控的一個(gè)想法。當(dāng)然大家也是可以再次基礎(chǔ)上修改完善代碼，完整的代碼上面已經(jīng)給出。伴隨著移動(dòng)互聯(lián)網(wǎng)、手機(jī)及各交友的平臺(tái)的較慢持續(xù)發(fā)展，照片的廣泛傳播幅度大大增強(qiáng)，廣泛傳播范圍內(nèi)也日益擴(kuò)展。比起書寫、視頻、錄像等廣泛傳播方式，照片廣泛傳播極具“點(diǎn)睛”視覺效果，合乎節(jié)奏貧困下人們高效的讀者方法。

當(dāng)照片給人們帶給快捷的數(shù)據(jù)紀(jì)錄和共享方法的同時(shí)，照片普遍地廣泛傳播在社會(huì)大眾視線下，適當(dāng)?shù)碾y題也接踵而來。書寫記述，使用者可以精彩通過關(guān)鍵字搜尋提供意愿數(shù)據(jù)，而當(dāng)照片記述，使用者難以必要通過搜尋照片索引到可借助數(shù)據(jù)。

科技進(jìn)步的變革常常與解決的表達(dá)意見如影隨形，在使用者痛點(diǎn)下，亟需高科技的改進(jìn)創(chuàng)意，此自然環(huán)境下涌現(xiàn)的圖像識(shí)別新技術(shù)之后變得尤為重要。由此也可見計(jì)算機(jī)視覺的日益高漲的地位。

總結(jié)

以上所述是小編給大家介紹的通過 Python 和 OpenCV 實(shí)現(xiàn)目標(biāo)數(shù)量監(jiān)控，希望對(duì)大家有所幫助！

原文鏈接：https://www.cnblogs.com/7758520lzy/archive/2020/01/05/12152184.html