基于opencv的实时目标检测,python物体追踪opencv

2022-08-25 01:35:13 分类：python 阅读()

　　基于opencv的实时目标检测,python物体追踪opencv

　　这篇文章主要为大家介绍了大蟒基于中文版实现目标追踪示例，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

　　

目录
主要代码信息封装类更新utilspython-opencv3.0新增了一些比较有用的追踪器算法，这里根据官网示例写了一个追踪器类

　　程序只能运行在安装有opencv3.0以上版本和对应的贡献模块的大蟒解释器

　　

主要代码

　　#编码=utf-8

　　导入cv2

　　从项目导入邮件项目

　　导入时间

　　将数组作为铭牌导入

　　监视者模块，负责入侵检测，目标跟踪

　　类监视器（对象):

　　#入侵检测者模块，用于入侵检测

　　def __init__(self，frame=None):

　　#运动检测器构造函数

　　自我.背景=无

　　如果帧不是无：

　　自我. background=cv2 .GaussianBlur(cv2.cvtColor(帧，cv2 .COLOR_BGR2GRAY)，(21，21)，0)

　　自我。es=cv2。getstructuringelement(cv2 .变形_椭圆，(10,10))

　　def是工作(自己):

　　#运动检测器是否工作

　　回归自我.背景不是无

　　定义开始工作（自身，框架):

　　#运动检测器开始工作

　　如果帧不是无：

　　自我. background=cv2 .GaussianBlur(cv2.cvtColor(帧，cv2 .COLOR_BGR2GRAY)，(21，21)，0)

　　定义停工（自行):

　　#运动检测器结束工作

　　自我.背景=无

　　定义分析（自身、框架):

　　#运动检测

　　如果框架是无或自身。_背景是无：

　　返回

　　样本帧=cv2 .GaussianBlur(cv2.cvtColor(帧，cv2 .COLOR_BGR2GRAY)，(21，21)，0)

　　diff=cv2.absdiff(self ._背景，样本_帧)

　　diff=cv2.threshold(diff，25，255，cv2 .THRESH_BINARY)[1]

　　diff=cv2.dilate(diff，self.es，iterations=2)

　　图像，cnts，层次=cv2。查找轮廓(差异。复制()，cv2 .RETR _外部，cv2 .CHAIN_APPROX_SIMPLE)

　　坐标=[]

　　bigC=无

　　bigMulti=0

　　对于cnts:中的c

　　如果轮廓区域1500:

　　继续

　　(x，y，w，h)=cv2.boundingRect(c)

　　如果宽*高bigMulti:

　　bigMulti=w * h

　　bigC=((x，y)，(x w，y h))

　　如果bigC:

　　cv2.rectangle(frame，bigC[0]，bigC[1]，(255，0，0)，2，1)

　　坐标。追加(bigC)

　　message={ coord :coordinate }

　　消息[msg]=无

　　返回邮件项目(帧，消息)

　　克拉斯

　　s Tracker(object):

　　 追踪者模块,用于追踪指定目标

　　 def __init__(self,tracker_type = "BOOSTING",draw_coord = True):

　　 初始化追踪器种类

　　 #获得opencv版本

　　 (major_ver, minor_ver, subminor_ver) = (cv2.__version__).split(.)

　　 self.tracker_types = [BOOSTING, MIL,KCF, TLD, MEDIANFLOW, GOTURN]

　　 self.tracker_type = tracker_type

　　 self.isWorking = False

　　 self.draw_coord = draw_coord

　　 #构造追踪器

　　 if int(minor_ver) < 3:

　　 self.tracker = cv2.Tracker_create(tracker_type)

　　 else:

　　 if tracker_type == BOOSTING:

　　 self.tracker = cv2.TrackerBoosting_create()

　　 if tracker_type == MIL:

　　 self.tracker = cv2.TrackerMIL_create()

　　 if tracker_type == KCF:

　　 self.tracker = cv2.TrackerKCF_create()

　　 if tracker_type == TLD:

　　 self.tracker = cv2.TrackerTLD_create()

　　 if tracker_type == MEDIANFLOW:

　　 self.tracker = cv2.TrackerMedianFlow_create()

　　 if tracker_type == GOTURN:

　　 self.tracker = cv2.TrackerGOTURN_create()

　　 def initWorking(self,frame,box):

　　 追踪器工作初始化

　　 frame:初始化追踪画面

　　 box:追踪的区域

　　 if not self.tracker:

　　 raise Exception("追踪器未初始化")

　　 status = self.tracker.init(frame,box)

　　 if not status:

　　 raise Exception("追踪器工作初始化失败")

　　 self.coord = box

　　 self.isWorking = True

　　 def track(self,frame):

　　 开启追踪

　　 message = None

　　 if self.isWorking:

　　 status,self.coord = self.tracker.update(frame)

　　 if status:

　　 message = {"coord":[((int(self.coord[0]), int(self.coord[1])),(int(self.coord[0] + self.coord[2]), int(self.coord[1] + self.coord[3])))]}

　　 if self.draw_coord:

　　 p1 = (int(self.coord[0]), int(self.coord[1]))

　　 p2 = (int(self.coord[0] + self.coord[2]), int(self.coord[1] + self.coord[3]))

　　 cv2.rectangle(frame, p1, p2, (255,0,0), 2, 1)

　　 message[msg] = "is tracking"

　　 return MessageItem(frame,message)

　　class ObjectTracker(object):

　　 def __init__(self,dataSet):

　　 self.cascade = cv2.CascadeClassifier(dataSet)

　　 def track(self,frame):

　　 gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

　　 faces = self.cascade.detectMultiScale(gray,1.03,5)

　　 for (x,y,w,h) in faces:

　　 cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2)

　　 return frame

　　if __name__ == __main__ :

　　 a = [BOOSTING, MIL,KCF, TLD, MEDIANFLOW, GOTURN]

　　 tracker = Tracker(tracker_type="KCF")

　　 video = cv2.VideoCapture(0)

　　 ok, frame = video.read()

　　 bbox = cv2.selectROI(frame, False)

　　 tracker.initWorking(frame,bbox)

　　 while True:

　　 _,frame = video.read();

　　 if(_):

　　 item = tracker.track(frame);

　　 cv2.imshow("track",item.getFrame())

　　 k = cv2.waitKey(1) & 0xff

　　 if k == 27:

　　 break

　　

　　

信息封装类

　　

#encoding=utf-8
　　import json
　　from utils import IOUtil
　　信息封装类
　　class MessageItem(object):
　　 #用于封装信息的类,包含图片和其他信息
　　 def __init__(self,frame,message):
　　 self._frame = frame
　　 self._message = message
　　 def getFrame(self):
　　 #图片信息
　　 return self._frame
　　 def getMessage(self):
　　 #文字信息,json格式
　　 return self._message
　　 def getBase64Frame(self):
　　 #返回base64格式的图片,将BGR图像转化为RGB图像
　　 jepg = IOUtil.array_to_bytes(self._frame[...,::-1])
　　 return IOUtil.bytes_to_base64(jepg)
　　 def getBase64FrameByte(self):
　　 #返回base64格式图片的bytes
　　 return bytes(self.getBase64Frame())
　　 def getJson(self):
　　 #获得json数据格式
　　 dicdata = {"frame":self.getBase64Frame().decode(),"message":self.getMessage()}
　　 return json.dumps(dicdata)
　　 def getBinaryFrame(self):
　　 return IOUtil.array_to_bytes(self._frame[...,::-1])

　　运行之后在第一帧图像上选择要追踪的部分,这里测试了一下使用KCF算法的追踪器

　　

　　

　　

更新utils

　　

#encoding=utf-8
　　import time
　　import numpy
　　import base64
　　import os
　　import logging
　　import sys
　　from settings import *
　　from PIL import Image
　　from io import BytesIO
　　#工具类
　　class IOUtil(object):
　　 #流操作工具类
　　 @staticmethod
　　 def array_to_bytes(pic,formatter="jpeg",quality=70):
　　 静态方法,将numpy数组转化二进制流
　　 :param pic: numpy数组
　　 :param format: 图片格式
　　 :param quality:压缩比,压缩比越高,产生的二进制数据越短
　　 :return: 
　　 stream = BytesIO()
　　 picture = Image.fromarray(pic)
　　 picture.save(stream,format=formatter,quality=quality)
　　 jepg = stream.getvalue()
　　 stream.close()
　　 return jepg
　　 @staticmethod
　　 def bytes_to_base64(byte):
　　 静态方法,bytes转base64编码
　　 :param byte: 
　　 :return: 
　　 return base64.b64encode(byte)
　　 @staticmethod
　　 def transport_rgb(frame):
　　 将bgr图像转化为rgb图像,或者将rgb图像转化为bgr图像
　　 return frame[...,::-1]
　　 @staticmethod
　　 def byte_to_package(bytes,cmd,var=1):
　　 将每一帧的图片流的二进制数据进行分包
　　 :param byte: 二进制文件
　　 :param cmd:命令
　　 :return: 
　　 head = [ver,len(byte),cmd]
　　 headPack = struct.pack("!3I", *head)
　　 senddata = headPack+byte
　　 return senddata
　　 @staticmethod
　　 def mkdir(filePath):
　　 创建文件夹
　　 if not os.path.exists(filePath):
　　 os.mkdir(filePath)
　　 @staticmethod
　　 def countCenter(box):
　　 计算一个矩形的中心
　　 return (int(abs(box[0][0] - box[1][0])*0.5) + box[0][0],int(abs(box[0][1] - box[1][1])*0.5) +box[0][1])
　　 @staticmethod
　　 def countBox(center):
　　 根据两个点计算出,x,y,c,r
　　 return (center[0][0],center[0][1],center[1][0]-center[0][0],center[1][1]-center[0][1])
　　 @staticmethod
　　 def getImageFileName():
　　 return time.strftime("%Y_%m_%d_%H_%M_%S", time.localtime())+.png
　　#构造日志
　　logger = logging.getLogger(LOG_NAME)
　　formatter = logging.Formatter(LOG_FORMATTER)
　　IOUtil.mkdir(LOG_DIR);
　　file_handler = logging.FileHandler(LOG_DIR + LOG_FILE,encoding=utf-8)
　　file_handler.setFormatter(formatter)
　　console_handler = logging.StreamHandler(sys.stdout)
　　console_handler.setFormatter(formatter)
　　logger.addHandler(file_handler)
　　logger.addHandler(console_handler)
　　logger.setLevel(logging.INFO)

　　以上就是python基于opencv实现目标追踪示例的详细内容，更多关于python opencv目标追踪的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

标签： python

相关文章阅读

  • opencv图像识别数字,opencv 识别
  • opencv图像识别数字,opencv 识别,如何基于opencv实现简单的数字识别
  • opencv图像的旋转角度计算,opencv图像仿射变换
  • opencv图像的旋转角度计算,opencv图像仿射变换,OpenCV图像几何变换之透视变换
  • opencv图像的旋转角度计算,opencv 旋转任意角度
  • opencv图像的旋转角度计算,opencv 旋转任意角度,opencv图片的任意角度旋转实现示例
  • opencv图像处理函数,opencv图像轮廓合并
  • opencv图像处理函数,opencv图像轮廓合并,OpenCV图像处理之七种常用图像几何变换
  • opencv双线性插值函数,opencv 图像插值
  • LBPH人脸识别,基于opencv的人脸识别技术
  • LBPH人脸识别,基于opencv的人脸识别技术,Opencv LBPH人脸识别算法详解
  • ,,OpenCV黑帽运算(BLACKHAT)的使用
  • opencv双线性插值函数,opencv 图像插值,C++ OpenCV实现图像双三次插值算法详解
  • ,,C语言 OpenCV实现柱面投影
  • ,,C++ Opencv imfill孔洞填充函数的实现思路与代码
    • 留言与评论（共有 条评论）
       
    验证码：