OpenCV-Python视频分析(移动物体检测,物体追踪) eZCaHbM0

泛亚电竞

泛亚电竞

1.概述

该文章介绍OpenCV-Python中关于视频分析的视频两个主要内容,分别为:

  • 🐟背景差分法移动物体检测
  • 🐟Meanshift和Camshift算法物体追踪

PS:视频分析还要一个重要的内容:光流法运动轨迹绘制,在以后的文章中介绍 。

2.原理介绍

2.1背景差分法移动物体检测

静态摄像机拍摄的分析画面,大部分场景是没有变化的,并且这部分一般不需要被特别关注 。与此对应的移动视频中的动态物体更值得关注和分析。

背景差分法原理上非常简单,就是物体物体将当前的画面与背景做减法,减去没有变化的背景,留下场景中变化的物体(一般是运动的),借用官网的一张图片便于理解 。

 

因此该算法较为关键的检测一部分就是背景图片的构建,它包含两部分,分别为①初始化背景,②背景更新 。但是追踪这两步在OpenCV-Python中都不需要自己书写代码,createBackgroundSubtractor()就可以生成相关算法的对象,下面两句是在不同算法下的背景蒙版分别为MOG2和KNN,他们用法相同,使用apply()方法逐帧输入图片即可,从结果来看,KNN效果要更好一点 。

#下面两行二选一#backSub = cv.createBackgroundSubtractorMOG2()backSub = cv.createBackgroundSubtractorKNN()fgMask = backSub.apply(frame)

提取背景蒙版之后,使用简单的视频代码就可以完成目标的提取也就是:

Deobject=cv.add(frame,frame,mask=fgMask)

相关步骤显示效果如:

 

 

原图

背景蒙版

目标提取

2.2Meanshift和Camshift算法对物体追踪

Meanshift可以翻译为均值偏移,Camshift全称为Continuously Apative Mean-Shift,是Meanshift改进。

首先介绍Meanshift,它实际上是分析以要追踪物体的直方图作为参照,在每个图形的下一帧,搜索物体附近区域,如果找到与该物体直方图相似度很大的区域,就把他判定为该物体继续追踪 。因此在该算法中,需要经过一下几个步骤  。移动如下图:

  • 在第一帧中选定要追踪物体的物体物体区域
  • 将色彩转化为HSV,然后生成直方图
  • 在下一帧中找到与当前直方图相似的区域,将该区域划定为要追踪的物体 。这一步用到了cv.CamShift(probImage,检测 window, criteria),它的三个参数分别为直方图反投影、物体所在窗口,算法停止标准
  • 继续下一帧搜索追踪 。追踪

下面介绍Camshift,它主要解决了Meanshift的视频一个问题,就是Meanshift的窗口大小是固定的,由于视频的物体都有近大远小的特点,因此如果物体在镜头前后移动,算法识别准确率不高,Camshift考虑到了这一问题,它会在Meanshift匹配率低的时候,对窗口大小进行调整,详细步骤在代码中介绍。

效果对比:

初始图像

算法

跟踪结果

 

Meanshift

 

Camshift

 

3.代码分析

环境配置见文章OpenCv-Python图像特征识别_Matrix_CS的分析博客-CSDN博客

3.1背景差分法移动物体检测

该方法使用Open-CV中的BackgroundSubtractor,自动进行背景生成和背景更新,最后使用背景蒙版和原始图像做运算,将运动物体提取出来 。

from __future__ import print_functionimport cv2 as cvimport argparse'''该代码尝试使用背景差分法,完成了固定摄像头中,动态物体的移动提取。'''#有两种算法可选,KNN和MOG2,下面的代码使用KNN作为尝试algo='KNN'if algo == 'MOG2':backSub = cv.createBackgroundSubtractorMOG2()else:backSub = cv.createBackgroundSubtractorKNN()#打开一个视频文件capture = cv.VideoCapture(cv.samples.findFileOrKeep('vtest.avi'))#判断视频是否读取成功if not capture.isOpened():print('Unable to open')exit(0)#逐帧读取视频,进行相关分析while True:#读取视频的第一帧ret, frame = capture.read()if frame is None:break#使用定义的backSub对象,输入新的一帧frame,生成背景蒙版fgMask = backSub.apply(frame)#将原视频的当前帧和蒙版做相加运算,将前景物体提取出来Object=cv.add(frame,frame,mask=fgMask)#展示视频中的物体,三个窗口分别表示原视频、背景
、移动目标cv.imshow('Frame', frame)cv.imshow('FG Mask', fgMask)cv.imshow('Object',Object)#每帧展示结束,等待30毫秒keyboard = cv.waitKey(30)#按q推出程序if keyboard == 'q' or keyboard == 27:break

3.2 Meanshif算法对物体追踪

使用Meanshif算法对物体进行追踪,根据要追踪物体的直方图特征,查询运动物体周围图像,进行匹配,返回移动后的物体位置 。

import numpy as npimport cv2 as cvimport argparse'''使用Meanshift算法,对视频中的指定物体进行追踪'''cap = cv.VideoCapture('slow_traffic_small.mp4')#对显示窗口命名cv.namedWindow('image')#读取视频第一帧ret,frame = cap.read()#定义一个范围作为要追踪的物体,在这选取的是一辆车x, y, w, h = 306, 194, 80, 40track_window = (x, y, w, h)# 从第一帧frame中,把范围中的图片提取出来roi = frame[y:y+h, x:x+w]# 转化为hsv颜色,因为画直方图一般会用这个色彩格式hsv_roi =  cv.cvtColor(roi, cv.COLOR_BGR2HSV)#生成一个蒙版,把不在范围内的颜色筛去mask = cv.inRange(hsv_roi, np.array((0., 60.,32.)), np.array((180.,255.,255.)))#生成直方图roi_hist = cv.calcHist([hsv_roi],[0],mask,[180],[0,180])#进行直方图归一化cv.normalize(roi_hist,roi_hist,0,255,cv.NORM_MINMAX)# 设置终止标准,10 次迭代或移动至少 1 像素term_crit = ( cv.TERM_CRITERIA_EPS | cv.TERM_CRITERIA_COUNT, 10, 1 )while(1):#读取视频下一帧ret, frame = cap.read()#ret用来判断视频是否读取成功if ret == True:#保持跟上面一致的色彩格式hsvhsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)#这一步计算hist的反投影,是为了下面作为输入便于读取dst = cv.calcBackProject([hsv],[0],roi_hist,[0,180],1)# 使用meanShift找到匹配的窗口ret, track_window = cv.meanShift(dst, track_window, term_crit)#下面的代码就是用一个矩形框把识别到的物体圈出来x,y,w,h = track_windowimg2 = cv.rectangle(frame, (x,y), (x+w,y+h), 255,2)cv.imshow('image',img2)#等待30毫秒,按ESC退出k = cv.waitKey(30) & 0xffif k == 27:breakelse:break

3.3 Camshift算法对物体追踪

该方法是对Meanshif算法的改进,窗口大小可以根据物体移动进行调整,代码和Meanshif算法十分类似。

import numpy as npimport cv2 as cvimport argparse'''使用CamShift算法跟踪物体,该算法改进了MeanShift,它的窗口大小会进行自定义调整'''#打开视频cap = cv.VideoCapture('slow_traffic_small.mp4')#读取视频第一帧ret,frame = cap.read()#定义一个范围作为要追踪的物体,在这选取的是一辆车x, y, w, h = 306, 194, 80, 40 # simply hardcoded the valuestrack_window = (x, y, w, h)# 从第一帧frame中,把范围中的图片提取出来roi = frame[y:y+h, x:x+w]# 转化为hsv颜色,因为画直方图一般会用这个色彩格式hsv_roi =  cv.cvtColor(roi, cv.COLOR_BGR2HSV)#生成一个蒙版,把不在范围内的颜色筛去mask = cv.inRange(hsv_roi, np.array((0., 60.,32.)), np.array((180.,255.,255.)))#生成直方图roi_hist = cv.calcHist([hsv_roi],[0],mask,[180],[0,180])#进行直方图归一化cv.normalize(roi_hist,roi_hist,0,255,cv.NORM_MINMAX)# 设置终止标准,10 次迭代或移动至少 1 像素term_crit = ( cv.TERM_CRITERIA_EPS | cv.TERM_CRITERIA_COUNT, 10, 1 )while(1):#读取视频下一帧ret, frame = cap.read()#ret用来判断视频是否读取成功if ret == True:# 保持跟上面一致的色彩格式hsvhsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)# 这一步计算hist的反投影,是为了下面作为输入便于读取dst = cv.calcBackProject([hsv],[0],roi_hist,[0,180],1)# 使用CamShift找到匹配的窗口ret, track_window = cv.CamShift(dst, track_window, term_crit)#下面的代码就是用一个四边形把识别到的物体框出来pts = cv.boxPoints(ret)pts = np.int0(pts)img2 = cv.polylines(frame,[pts],True, 255,2)cv.imshow('img2',img2)k = cv.waitKey(30) & 0xff# 等待30毫秒,按ESC退出if k == 27:breakelse:break
chatgpt免费软件,chatgpt api 免费接口,chatgpt 聊天机器人教程,chatgpt 指令大全,chatgpt app

OpenCV-Python视频分析(移动物体检测 ,物体追踪)

ChatGPT与SEO:黑帽泛目录最新手法

ChatGPT与SEO结构优化 :网站的结构在SEO中起着至关重要的作用 。ChatGPT为您提供了一个强大的工具,可以生成高质量的内容,优化网站结构,以吸引搜索引擎和用户 。您可以利用ChatGPT生成的建议来改进内部链接结构 ,提高页面之间的相关性,从而为搜索引擎提供更清晰的信号,提升排名。

ChatGPT与关键词排名可塑性:关键词排名的可塑性对于适应不断变化的搜索环境至关重要。ChatGPT可以为您提供关键词策略的新思路。通过生成与不同关键词相关的多样化内容 ,您可以覆盖更广泛的搜索意图 ,提高网站在多个关键词排名上的表现 ,增强可塑性,从而在竞争激烈的市场中脱颖而出 。

ChatGPT与SEO AI:创新的合作。AI在SEO领域的应用正变得越来越普遍,而ChatGPT则为这一领域注入了创新的元素。借助ChatGPT的自然语言生成能力,您可以自动创建各种类型的内容,从而提高在线可见性 。无论是社交媒体帖子还是网站文章 ,ChatGPT都可以为您提供有吸引力的内容 ,加强SEO策略的执行效果。

ChatGPT影响关键词排名:ChatGPT生成的内容可以显著影响关键词排名。通过创造性地编写引人入胜的内容 ,您可以吸引更多用户的点击和互动 ,从而提高网站的用户体验和留存率 。这些因素在搜索引擎排名中扮演重要角色,而ChatGPT生成的内容的独特性和质量可以为您的网站赢得更多关键词排名的机会 。


 

相关信息

(内容如有侵权,请联系我们删除) Copyright © 1996-2023 泛亚电竞 版权所有 粤ICP备13020600号