python進階:帶你學習實時目標跟蹤
摘要:本程序主要實現了python的opencv人工智能視覺模塊的目標跟蹤功能。
本文分享自華為雲社區《python進階——人工智能實時目標跟蹤,這一篇就夠用了!》,作者:lqj_本人 。
前言
本程序主要實現了python的opencv人工智能視覺模塊的目標跟蹤功能。
項目介紹
區域性鎖定目標實時動態跟蹤(適用 警方追捕,無人機鎖定拍攝等)
首先先介紹幾種AI視覺算法
特性:
1.BOOSTING:算法原理類似於Harr cascdes(AdaBoost),是一種很老的算法。這個算法速度慢並且不準。
2.MIL:比BOOSTING準一點
3.KCF:速度比BOOSTING和MIL更快,與BOOSTING和MIL一樣不能很好的處理遮擋問題。
4.CSRT:比KCF更準一些,但是速度比KCF慢
5.MedianFlow:對於快速移動的目標和外形比那花迅速的目標效果不好
6.TLD:會產生朵的false-posittives
7.MOSSE:算法速度非常快,但是準確率比不上KCF和CSRT,在一些追求算法的速度場合很適用
8.GOTURN:OpenCV中自帶的唯一一個基於深度學習的算法,運行短髮需要提前下載好模型文件
分別對應的伴生的函數:
kcf:cv2.legacy.TrackerKCF_create
csrt:cv2.legacy.TrackerCSRT_create
boosting:cv2.legacy.TrackerBoosting_create
mil:cv2.legacy.TrackerMIL_create
tld:cv2.legacy.TrackerTLD_create
medianflow:cv2.legacy.TrackerMedianFlow_create
mosse:cv2.legacy.TrackerMOSSE_create
詳細代碼講解
導入cv模塊
ret,frame = cap.read()
import cv2
使用csrt算法,引用伴生函數,並賦值給tracker
tracker = cv2.legacy.TrackerCSRT_create()
讀取視頻流
cap = cv2.VideoCapture('11.mp4')
先讀取到第一幀
ret,frame = cap.read()
使用selectROI(前景),畫框將目標框起,並賦值給bbox
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)
初始化tracker,將上面的兩個值傳入
tracker.init(frame,bbox)
讀取每一幀
ret,frame = cap.read()
根據每一幀來更新tracker
ok,box = tracker.update(frame)
若讀取成功,就定位畫框,並跟隨
if ok :
(x,y,w,h) = [int(v) for v in box]
cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)
顯示視頻流
cv2.imshow('A', frame)
等待50毫秒或按空格鍵退出
if cv2.waitKey(50) == ord(' '):
break
釋放視頻流和釋放窗口
cap.release()
cv2.destroyAllWindows()
完整代碼及註釋:
import cv2
tracker = cv2.legacy.TrackerCSRT_create()#使用csrt算法,引用伴生函數,並賦值給tracker
cap = cv2.VideoCapture('11.mp4')#讀取視頻流
ret,frame = cap.read()#先讀取第一幀
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)#使用selectROI(前景),畫框將目標框起,並賦值給bbox
tracker.init(frame,bbox)#初始化tracker,將上面的兩個值傳入
while True:
ret,frame = cap.read()#讀取每一幀
ok,box = tracker.update(frame)#根據每一幀來跟新tracker
# 若讀取成功,我們就定位畫框,並跟隨
if ok :
(x,y,w,h) = [int(v) for v in box]
cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)
cv2.imshow('A', frame)#顯示視頻流
if cv2.waitKey(50) == ord(' '):#等待50毫秒或鍵盤按空格鍵退出
break
# 釋放視頻流,釋放窗口
cap.release()
cv2.destroyAllWindows()
結果演示
![動圖封面](http://pic3.zhimg.com/v2-13e87987e1762864dc230064343e80ae_b.jpg)
區域性全部實時動態目標跟蹤(適用夜視跟蹤,範圍性觀察等)
思路構建
1.先將實時攝像流或錄製視頻流,灰度轉化並高斯模糊
2.用二值化算法將流中的物體輪廓擴充
3.分別先讀到第一幀和第二幀,讓其對比
4.尋找對比後,流的輪廓位置,並開啟簡易模式
5.過濾物體的矩陣輪廓將其定位繪出
詳細代碼講解
導入cv模塊
import cv2
將視頻流轉換並讓其高斯模糊
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(5,5),0)
二值化擴充
_,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
dilated = cv2.dilate(thresh,None,iterations=3)
return dilated
讀取視頻流或實時攝像流
cap = cv2.VideoCapture('11.mp4')
讀取第一幀
ret,frame1 = cap.read()
讀取第二幀
ret,frame2 = cap.read()
判斷cap是否為打開狀態
while cap.isOpened():
若為打開,則第一幀與第二幀比較
diff = cv2.absdiff(frame1,frame2)
mask = filter_img(diff)
尋找比較後的物體輪廓,並開啟簡易模式
contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
使用方框將視頻流中的物體框出,得到矩陣的寬高
(x,y,w,h) = cv2.boundingRect(contour)
若矩陣的面積小於10(根據視頻流中物體的大小來定義),直接無視
if cv2.contourArea(contour) < 10:
將過濾的物體的矩陣輪廓繪出(一定要用int整形)
cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)
將第一幀顯示
cv2.imshow('A',frame1)
將上面賦值的mask顯示
cv2.imshow('B',mask)
實現前後幀對比,並定位物體運動軌跡
1.將第二幀賦值給第一幀
frame1 = frame2
2.再將cap讀到的賦值給第二幀()
ret,frame2 = cap.read()
等待50毫秒或者按空格結束
if cv2.waitKey(50) == ord(' '):
break
釋放視頻流及釋放窗口
cap.release()
cv2.destroyAllWindows()
完整代碼及註釋:
import cv2
def filter_img(frame):
#將視頻流轉換灰度並讓其高斯模糊
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(5,5),0)
#二值化將其擴充
_,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
dilated = cv2.dilate(thresh,None,iterations=3)
return dilated
# 讀取視頻流
cap = cv2.VideoCapture('11.mp4')
ret,frame1 = cap.read()#讀到第一幀
ret,frame2 = cap.read()#讀到第二幀
while cap.isOpened():#判斷cap是否打開
diff = cv2.absdiff(frame1,frame2)#若打開,則第一幀和第二幀作比較
mask = filter_img(diff)
contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#尋找視頻流的輪廓,簡單模式
#用方框將視頻流中的物體用矩形框出
for contour in contours:
(x,y,w,h) = cv2.boundingRect(contour)#得到矩陣的寬高
if cv2.contourArea(contour) < 10:#若矩陣的面積小於200,就無視(太小了)
continue
cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)#將過濾的物體的矩陣輪廓繪出
# cv2.drawContours(frame1,contours,-1,(0,255,0),2)#將視頻流中的物體輪廓畫出
cv2.imshow('A',frame1)#將第一幀顯示
cv2.imshow('B',mask)#將mask也顯示
frame1 = frame2#將第二幀賦值給第一幀
ret,frame2 = cap.read()#再將cap讀到的賦值給第二幀
if cv2.waitKey(50) == ord(' '):#等待五十毫秒或者按空格結束
break
#銷燬cap流
cap.release()
#釋放窗口
cv2.destroyAllWindows()
結果顯示
![動圖封面](http://pic2.zhimg.com/v2-74e6708766da7c92b830a27a72238061_b.jpg)
- 使用卷積神經網絡實現圖片去摩爾紋
- 內核不中斷前提下,Gaussdb(DWS)內存報錯排查方法
- 簡述幾種常用的排序算法
- 自動調優工具AOE,讓你的模型在昇騰平台上高效運行
- GaussDB(DWS)運維:導致SQL執行不下推的改寫方案
- 詳解目標檢測模型的評價指標及代碼實現
- CosineWarmup理論與代碼實戰
- 淺談DWS函數出參方式
- 代碼實戰帶你瞭解深度學習中的混合精度訓練
- python進階:帶你學習實時目標跟蹤
- Ascend CL兩種數據預處理的方式:AIPP和DVPP
- 詳解ResNet 網絡,如何讓網絡變得更“深”了
- 帶你掌握如何查看並讀懂昇騰平台的應用日誌
- InstructPix2Pix: 動動嘴皮子,超越PS
- 何為神經網絡卷積層?
- 在昇騰平台上對TensorFlow網絡進行性能調優
- 介紹3種ssh遠程連接的方式
- 分佈式數據庫架構路線大揭祕
- DBA必備的Mysql知識點:數據類型和運算符
- 5個高併發導致數倉資源類報錯分析