第十二篇【传奇开心果系列】Python的OpenCV技术点案例示例：视频流处理

置顶 已于 2024-02-04 08:21:42 修改
阅读量740 收藏 18
点赞数 28
分类专栏： Python库OpenCV 技术点案例示例短博文 文章标签： python opencv 计算机视觉
于 2024-02-04 07:27:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jackchuanqi/article/details/136014532
版权

传奇开心果短博文系列

  • 系列短博文目录
    • Python的OpenCV技术点案例示例短博文系列
  • 短博文目录
    • 一、前言
    • 二、视频流处理介绍
    • 三、实时视频流处理示例代码
    • 四、视频流分析示例代码
    • 五、归纳总结

系列短博文目录

Python的OpenCV技术点案例示例短博文系列

短博文目录

一、前言

在这里插入图片描述OpenCV视频流处理介绍：包括实时视频流处理、视频流分析等功能。OpenCV提供了丰富的功能和工具来进行视频流处理和分析。

二、视频流处理介绍

在这里插入图片描述下面是关于实时视频流处理和视频流分析的分别介绍：

  1. 实时视频流处理：

    -视频捕捉：OpenCV可以直接从摄像头或其他视频源中捕捉实时视频流。

    -视频显示：可以将捕捉到的实时视频流显示在窗口中，以便实时查看。

    -视频写入：可以将处理后的视频流保存为视频文件。

  2. 视频流分析：

    -视频帧处理：可以逐帧对视频进行处理，例如图像滤波、边缘检测等。

    -目标检测与跟踪：可以使用机器学习和深度学习算法来检测和跟踪视频中的目标，如人脸识别、目标检测等。

    -运动检测：可以通过比较连续帧之间的差异来检测视频中的运动物体。

    -视频编解码：可以对视频进行编码和解码，以减小文件大小或实现特定的视频格式要求。

    -光流估计：可以分析视频序列中物体的运动情况，如物体的速度和方向等。

通过结合OpenCV的图像处理、机器学习和深度学习功能，可以实现更复杂的视频流处理和分析任务，如实时人脸识别、行为分析、视频内容理解等。OpenCV提供了丰富的函数和算法库，使得视频流处理变得更加简单和高效。

三、实时视频流处理示例代码

在这里插入图片描述

  1. 视频捕捉示例代码
    以下是使用OpenCV进行视频捕捉的示例代码：
import cv2

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 逐帧捕捉视频
    ret, frame = cap.read()

    # 在窗口中显示视频帧
   2.imshow('Video Capture', frame)

    # 按下 'q' 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先使用cv2.VideoCapture函数打开摄像头。参数0表示使用默认的摄像头设备，如果有多个摄像头，可以根据需要选择对应的设备。

然后，我们进入一个循环，使用cap.read()逐帧捕捉视频。函数返回值ret表示捕捉是否成功，frame是捕捉到的视频帧。

接着，我们使用cv2.imshow()在窗口中显示捕捉到的视频帧。第一个参数是窗口的名称，第二个参数是要显示的图像。

在循环中，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放摄像头资源，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以实时捕捉到摄像头的视频流，并在窗口中显示出来。你可以根据需要对每一帧进行处理，如图像滤波、目标检测等。
在这里插入图片描述

  1. 视频显示示例代码
    以下是使用OpenCV进行视频显示的示例代码：
import cv2

# 打开视频文件
cap = cv2.VideoCapture('video.mp4')

while cap.isOpened():
    # 逐帧读取视频
    ret, frame = cap.read()

    # 如果视频读取成功
    if ret:
        # 在窗口中显示视频帧
        cv2.imshow('Video Display', frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(25) & 0xFF == ord('q'):
            break
    else:
        break

# 释放视频资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先使用cv2.VideoCapture函数打开视频文件。参数可以是视频文件的路径，也可以是摄像头设备的索引。

然后，我们进入一个循环，使用cap.read()逐帧读取视频。函数返回值ret表示读取是否成功，frame是读取到的视频帧。

接着，我们使用cv2.imshow()在窗口中显示读取到的视频帧。第一个参数是窗口的名称，第二个参数是要显示的图像。

在循环中，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放视频资源，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开并显示视频文件，逐帧播放视频内容。你可以根据需要对每一帧进行处理，如图像滤波、目标检测等。
在这里插入图片描述

  1. 视频写入示例代码
    以下是使用OpenCV进行视频写入的示例代码：
import cv2

# 获取视频源
cap = cv2.VideoCapture(0)

# 获取视频的宽度和高度
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

# 创建视频写入对象
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi', fourcc, 20.0, (width, height))

while cap.isOpened():
    # 逐帧读取视频
    ret, frame = cap.read()

    if ret:
        # 在窗口中显示视频帧
        cv2.imshow('Video Capture', frame)

        # 将视频帧写入视频文件
        out.write(frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    else:
        break

# 释放资源
cap.release()
out.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先使用cv2.VideoCapture函数获取视频源。参数可以是视频文件的路径，也可以是摄像头设备的索引。

然后，我们使用cap.get()方法获取视频的宽度和高度，以便后续创建视频写入对象。

接着，我们使用cv2.VideoWriter创建视频写入对象。参数'output.avi'表示输出视频文件的名称，fourcc表示视频编码格式，20.0表示帧率，(width, height)表示视频的宽度和高度。

在循环中，我们使用cap.read()逐帧读取视频。如果读取成功，我们将视频帧显示在窗口中，然后使用out.write()将视频帧写入视频文件。

同时，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放资源，包括视频源和视频写入对象，使用cap.release()和out.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以从摄像头捕捉实时视频，并将视频帧写入到指定的视频文件中。你可以根据需要进行视频处理和分析，然后将处理后的视频保存下来。

四、视频流分析示例代码

在这里插入图片描述

  1. 视频帧处理示例代码
    以下是使用OpenCV对视频帧进行处理的示例代码：
import cv2

# 打开视频文件
cap = cv2.VideoCapture('video.mp4')

while cap.isOpened():
    # 逐帧读取视频
    ret, frame = cap.read()

    # 如果视频读取成功
    if ret:
        # 在窗口中显示原始视频帧
        cv2.imshow('Original Frame', frame)

        # 进行视频帧处理，例如图像滤波、边缘检测等
        processed_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 在窗口中显示处理后的视频帧
        cv2.imshow('Processed Frame', processed_frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(25) & 0xFF == ord('q'):
            break
    else:
        break

# 释放视频资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先使用cv2.VideoCapture函数打开视频文件。

然后，我们进入一个循环，使用cap.read()逐帧读取视频。函数返回值ret表示读取是否成功，frame是读取到的视频帧。

接着，我们可以在窗口中显示原始视频帧，使用cv2.imshow('Original Frame', frame)。

然后，我们进行视频帧处理，例如将彩色帧转换为灰度帧，使用cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)。

最后，我们可以在窗口中显示处理后的视频帧，使用cv2.imshow('Processed Frame', processed_frame)。

在循环中，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放视频资源，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开并读取视频文件的每一帧，并对每一帧进行处理，如图像滤波、边缘检测等。你可以根据需要进行各种图像处理操作，并在窗口中显示原始视频帧和处理后的视频帧。
在这里插入图片描述

  1. 目标检测与跟踪示例代码
    以下是使用OpenCV进行目标检测和跟踪的示例代码：
import cv2

# 加载预训练的目标检测模型和跟踪器
net = cv2.dnn.readNetFromCaffe('deploy.prototxt', 'res10_300x300_ssd_iter_140000.caffemodel')
tracker = cv2.TrackerCSRT_create()

# 打开摄像头
cap = cv2.VideoCapture(0)

# 选择要跟踪的目标
ret, frame = cap.read()
bbox = cv2.selectROI('Select Target', frame)
tracker.init(frame, bbox)

while True:
    # 逐帧捕捉视频
    ret, frame = cap.read()

    if ret:
        # 对当前帧进行目标检测
        blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0))
        net.setInput(blob)
        detections = net.forward()

        # 获取检测到的目标框
        for i in range(detections.shape[2]):
            confidence = detections[0, 0, i, 2]
            if confidence > 0.5:
                box = detections[0, 0, i, 3:7] * np.array([frame.shape[1], frame.shape[0], frame.shape[1], frame.shape[0]])
                (startX, startY, endX, endY) = box.astype("int")

                # 在图像中绘制目标框
                cv2.rectangle(frame, (startX, startY), (endX, endY), (0, 255, 0), 2)

        # 更新跟踪器
        ret, bbox = tracker.update(frame)
        if ret:
            # 在图像中绘制跟踪框
            (x, y, w, h) = [int(v) for v in bbox]
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 255), 2)

        # 显示视频帧
        cv2.imshow('Object Detection and Tracking', frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

# 释放摄像头资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先加载预训练的目标检测模型和跟踪器。net使用了基于SSD的Caffe模型进行目标检测，tracker使用了CSRT算法进行目标跟踪。你需要提前下载并指定相应的模型文件。

然后，我们打开摄像头，并选择要跟踪的目标。通过cv2.selectROI函数在窗口中选择一个感兴趣的区域作为目标框，并使用tracker.init方法初始化跟踪器。

接着，我们进入一个循环，逐帧捕捉视频。对于每一帧，我们首先使用目标检测模型对当前帧进行目标检测，得到检测到的目标框。然后，我们在图像中绘制检测到的目标框。

接着，我们使用跟踪器对目标进行跟踪。tracker.update方法会更新目标框的位置，并返回一个布尔值表示是否成功跟踪。

最后，我们在图像中绘制跟踪框，并显示视频帧。同时，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放摄像头资源，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开摄像头并实时进行目标检测和跟踪，将检测到的目标框和跟踪框绘制在视频帧中，实现目标的实时跟踪。
在这里插入图片描述

  1. 运动检测示例代码
    以下是使用OpenCV进行运动检测的示例代码：
import cv2

# 打开摄像头
cap = cv2.VideoCapture(0)

# 读取第一帧作为背景帧
ret, background = cap.read()
background_gray = cv2.cvtColor(background, cv2.COLOR_BGR2GRAY)
background_gray = cv2.GaussianBlur(background_gray, (21, 21), 0)

while True:
    # 逐帧捕捉视频
    ret, frame = cap.read()

    if ret:
        # 将当前帧转换为灰度图像
        gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        gray_frame = cv2.GaussianBlur(gray_frame, (21, 21), 0)

        # 计算当前帧与背景帧的差异
        frame_delta = cv2.absdiff(background_gray, gray_frame)
        threshold = cv2.threshold(frame_delta, 30, 255, cv2.THRESH_BINARY)[1]

        # 对阈值图像进行轮廓检测
        contours, _ = cv2.findContours(threshold.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        # 绘制检测到的运动目标框
        for contour in contours:
            if cv2.contourArea(contour) > 1000:
                (x, y, w, h) = cv2.boundingRect(contour)
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        # 显示视频帧
        cv2.imshow('Motion Detection', frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

# 释放摄像头资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先打开摄像头。

然后，我们读取第一帧作为背景帧，并将其转换为灰度图像。通过使用高斯模糊cv2.GaussianBlur来减少噪声对后续运动检测的影响。

接着，我们进入一个循环，逐帧捕捉视频。对于每一帧，我们将其转换为灰度图像，并进行高斯模糊处理。

然后，我们计算当前帧与背景帧之间的差异，通过cv2.absdiff函数得到差值图像。然后，使用阈值处理cv2.threshold将差值图像转换为二值图像。

接着，我们使用轮廓检测cv2.findContours对阈值图像进行运动目标的检测。通过设置面积阈值来过滤掉较小的轮廓。

最后，我们在原始视频帧中绘制检测到的运动目标框，并显示视频帧。同时，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放摄像头资源，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开摄像头并实时进行运动检测，将检测到的运动目标框绘制在视频帧中，实现对运动目标的实时检测。
在这里插入图片描述

  1. 视频编解码示例代码
    以下是使用OpenCV进行视频编解码的示例代码：

视频编码示例代码：

import cv2

# 打开摄头
cap = cv2.VideoCapture(0)

# 获取摄像头的宽度和高度
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

# 创建视频编码器
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi', fourcc, 20.0, (width, height))

while True:
    # 逐帧捕捉视频
    ret, frame = cap.read()

    if ret:
        # 将视频帧写入视频文件
        out.write(frame)

        # 显示视频帧
        cv2.imshow('Video Encoding', frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

# 释放资源
cap.release()
out.release()

# 关闭窗口
cv2.destroyAllWindows()

视频解码示例代码：

import cv2

# 打开视频文件
cap = cv2.VideoCapture('video.mp4')

while True:
    # 逐帧读取视频
    ret, frame = cap.read()

    if ret:
        # 显示视频帧
        cv2.imshow('Video Decoding', frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(25) & 0xFF == ord('q'):
            break
    else:
        break

# 释放资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

视频编码示例代码中，我们首先打开摄像头。

然后，我们获取摄像头的宽度和高度，以便后续创建视频编码器。

接着，我们进入一个循环，逐帧捕捉视频。对于每一帧，我们将其写入到视频文件中，使用out.write(frame)。

同时，我们显示视频帧，使用cv2.imshow('Video Encoding', frame)。

在循环中，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放资源，包括摄像头和视频编码器，使用cap.release()和out.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开摄像头并实时进行视频编码，将视频帧写入到指定的视频文件中。

视频解码示例代码中，我们首先打开视频文件。

然后，我们进入一个循环，逐帧读取视频。对于每一帧，我们显示视频帧，使用cv2.imshow('Video Decoding', frame)。

在循环中，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放资源，包括视频文件，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开视频文件并逐帧读取视频，实现视频的解码和播放。
在这里插入图片描述

  1. 光流估计示例代码
    以下是使用OpenCV进行光流估计的示例代码：
import cv2

# 打开视频文件
cap = cv2.VideoCapture('video.mp4')

# 创建Lucas-Kanade光流算法对象
lk_params = dict(winSize=(15, 15), maxLevel=2, criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))

# 读取第一帧
ret, old_frame = cap.read()
old_gray = cv2.cvtColor(old_frame, cv2.COLOR_BGR2GRAY)

# 创建用于绘制光流的颜色
color = (0, 255, 0)

while True:
    # 逐帧读取视频
    ret, frame = cap.read()

    if ret:
        # 将当前帧转换为灰度图像
        frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 计算光流
        p1, st, err = cv2.calcOpticalFlowPyrLK(old_gray, frame_gray, None, None, **lk_params)

        # 选择良好的跟踪点
        good_new = p1[st == 1]
        good_old = p0[st == 1]

        # 绘制光流轨迹
        for i, (new, old) in enumerate(zip(good_new, good_old)):
            a, b = new.ravel()
            c, d = old.ravel()
            frame = cv2.line(frame, (a, b), (c, d), color, 2)
            frame = cv2.circle(frame, (a, b), 3, color, -1)

        # 更新上一帧的图像和追踪点
        old_gray = frame_gray.copy()
        p0 = good_new.reshape(-1, 1, 2)

        # 显示视频帧
        cv2.imshow('Optical Flow', frame)

        # 按下 'q' 键退出循环
        if cv2.waitKey(25) & 0xFF == ord('q'):
            break
    else:
        break

# 释放资源
cap.release()

# 关闭窗口
cv2.destroyAllWindows()

在这个示例中，我们首先打开视频文件。

然后，我们创建Lucas-Kanade光流算法对象，并设置相关参数。

接着，我们读取第一帧，并将其转换为灰度图像。

进入一个循环，逐帧读取视频。对于每一帧，我们将其转换为灰度图像。

然后，使用cv2.calcOpticalFlowPyrLK函数计算光流，得到新的跟踪点和状态。

接着，我们选择良好的跟踪点，通过筛选状态为1的跟踪点。

然后，我们绘制光流轨迹，在当前帧上绘制线条和圆点。

最后，我们更新上一帧的图像和跟踪点，将当前帧的灰度图像赋值给上一帧的灰度图像，并更新跟踪点。

同时，我们显示视频帧，使用cv2.imshow('Optical Flow', frame)。

在循环中，我们还检查按键事件，如果按下了键盘上的 ‘q’ 键，就退出循环。

最后，我们释放资源，包括视频文件，使用cap.release()函数，关闭窗口，使用cv2.destroyAllWindows()函数。

通过这段代码，你可以打开视频文件并逐帧读取视频，实现光流估计，并在视频帧上绘制光流轨迹。

五、归纳总结

在这里插入图片描述OpenCV是一个强大的计算机视觉库，提供了丰富的功能和工具来处理视频流。下面是关于OpenCV视频流处理的归纳总结：

  1. 打开视频流：使用cv2.VideoCapture函数可以打开本地视频文件或者摄像头设备，获取视频流。

  2. 读取视频帧：使用cap.read()函数逐帧读取视频流，返回布尔值和当前帧图像。

  3. 显示视频帧：使用cv2.imshow函数可以在窗口中显示视频帧。

  4. 保存视频帧：使用cv2.VideoWriter可以创建一个视频编写器，将视频帧写入到视频文件中。

  5. 视频编解码：通过指定视频编解码器（如XVID）和帧率，可以将视频帧编码为视频文件或从视频文件解码为视频帧。

  6. 图像处理：对每一帧进行图像处理操作，如图像滤波、边缘检测、图像转换等。

  7. 目标检测与跟踪：使用预训练的目标检测模型和跟踪算法，对视频帧中的目标进行检测和跟踪，并在图像上绘制目标框。

  8. 运动检测：通过计算帧间差异或光流估计，检测视频帧中的运动目标，并在图像上绘制运动目标框。

  9. 光流估计：使用Lucas-Kanade光流算法或其他光流估计算法，计算视频帧中的像素位移，并在图像上绘制光流轨迹。

  10. 视频分割：使用背景建模或基于像素相似度的方法，将视频帧分割为前景和背景，并实现视频分割效果。

  11. 视频流处理：可以对视频流进行实时处理，如实时显示、实时图像处理、实时目标检测与跟踪等。

  12. 释放资源：在处理完视频流后，需要释放相关资源，如关闭视频文件或释放摄像头资源。
    在这里插入图片描述

通过上述功能和工具，OpenCV提供了丰富的视频流处理功能，可以实现各种视频处理任务，如视频分析、目标跟踪、运动检测、光流估计等。使用OpenCV，你可以轻松处理视频流并实现自己的计算机视觉应用。

传奇开心果编程
关注
  • 28
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 25
    评论
专栏目录
OpenCV-Python实战系列：图像与视频文件的处理
m0_58523831的博客
03-10 1万+
无论在任何类型的计算机视觉任务中，处理图像或视频都是其中的核心要素，绝大多数计算机视觉都会使用图像或视频作为数据输入的形式。此外，任何项目都应该可以在完成任何类型的处理后生成一些数据，这些数据可以以图像或者其它类型形式的输出。在计算机视觉中，由于这些类型的项目(例如，要处理的图像为输入、由机器学习算法生成的模型处理信息、输出目标信息)的固有特性，因此项目的信息流(输入——处理——输出)间也具有特殊的相关性。在本文中，将学习使用OpenCV处理构建计算机视觉应用程序所必需的图像和视频。
OpenCV-Python实战（2）——图像与视频文件的处理
热门推荐
盼小辉丶的博客
08-22 3万+
OpenCV 是一个的跨平台计算机视觉库，它轻量且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。无论在任何类型的计算机视觉任务中，处理图像或视频都是其中的核心要素，在本文中，将介绍如何使用OpenCV处理构建计算机视觉应用程序所必需的图像和视频。...
OpenCV-Python图像透视变换处理：魔变车牌案例
老猿Python
02-28 8028
本文介绍了利用透视变换实现两车交换车牌的详细过程，并提供了OpenCV-Python示例代码。根据老猿的操作经验，利用透视变换操作过程中需要注意： 1. 变换时选择的四个点，从视角来看尽量是在两条平行线上，否则图像变换过程中可能产生畸变，即使逆变换也不一定能变换回来； 2. 变换时最好给图像四周预留一定空间，用为变换后图像大小范围有可能超出原图像大小范文，这样才能保证图像变换后没有图像丢失。
Python-opencv读取视频流处理后保存成mp4格式的视频源码
萧鼎的博客
10-25 2467
源码 import cv2 def main(): cap1 = cv2.VideoCapture("1.mp4") # 打开摄像头 fourcc1 = cv2.VideoWriter_fourcc(*'MP4V') # 视频编解码器 fps1 = cap1.get(cv2.CAP_PROP_FPS) # 帧数 width1, height = int(cap1.get(cv2.CAP_PROP_FRAME_WIDTH)), int(cap1.get(cv2.CAP_
解决opencv中算术运算报错: OpenCV(4.6.0) D:\a\opencv-python\opencv-python\opencv\modules\highgui\src\window.cp
m0_62026333的博客
11-01 2万+
解决opencv算术运算报错问题。OpenCV(4.6.0) D:\a\opencv-python\opencv-python\opencv\modules\highgui\src\window.cpp:967: error: (-215:Assertion failed) size.width>0 && size.height>0 in function 'cv::imshow'的三种方法，详解！
python opencv之分水岭算法示例
12-25
本文介绍了python opencv之分水岭算法示例，分享给大家，具体如下： 目标 使用分水岭算法对基于标记的图像进行分割 使用函数cv2.watershed() 原理： 灰度图像可以被看成拓扑平面,灰度值高的区域可以看出山峰，...
opencv+python 大华、海康摄像头或视频流人脸识别实时抓拍服务
09-16
大华、海康摄像头人脸识别、抓拍资源； 支持大华、海康摄像头多路实时抓拍。也可支持其他视频流抓拍。 适用于摄像头监控及视频监控场景 实现人脸实时抓拍后用于人脸分析及识别
OpenCV-Python-Tutorial::open_book: OpenCV-Python 初学者图像处理教程
05-30
本仓库为教程中所用到的源码、图片和音视频素材等目录入门篇标题简介了解和安装OpenCV-Python度量运行时间/提升效率的几种方式图片的载入/显示和保存高保真保存图片、Matplotlib库的简单使用打开摄像头捕获图片/录制...
OpenCV-Python图像处理：用inRange刷选图像中指定颜色对象案例.rar
09-16
OpenCV-Python图像处理：用inRange刷选图像中指定颜色对象案例.rar
python opencv之SIFT算法示例
12-24
本文介绍了python opencv之SIFT算法示例，分享给大家，具体如下： 目标： 学习SIFT算法的概念 学习在图像中查找SIFT关键的和描述符 原理： （原理部分自己找了不少文章，内容中有不少自己理解和整理的东西，为了...
【Python】Python-OpenCV实时处理视频
@苏丶的博客
09-07 6515
Python-OpenCV实时处理视频 python实时处理视频 推流到虚拟摄像头
getPerspectiveTransform通过4对点确认透视变换矩阵的原理分析
老猿Python
02-25 5560
本文分析了OpenCV-Python中getPerspectiveTransform通过4对点确认透视变换矩阵的原理，有助于大家理解透视变换相关知识。
OpenCV-Python图像处理：图像阈值处理
老猿Python
03-02 6678
图像阈值处理又称为二值化（Binarization），它将一幅图转换为感兴趣的部分（前景）和不感兴趣的部分（背景），二值化可以剔除掉图像中一些低于或高于一定值（即阈值）的像素，从而提取图像中的物体，通常将超过阈值的像素作为前景。阈值又称为临界值，它的目的是确定出一个范围，然后这个范围内的像素点使用同一种方法处理，而阈值之外的部分则使用另一种处理方法或保持原样。本文介绍了图像阈值处理的概念、OpenCV-Python的支持函数threshold和adaptiveThreshold以及相关案例。
第一篇【传奇开心果短博文系列】Python的库OpenCV技术点案例示例：cv2常用功能和方法
jackchuanqi的博客
01-22 1623
cv2是Python中常用的第三方库，也称为OpenCV库，用于图像处理和计算机视觉任务。它提供了许多功能和方法，可以读取、处理和显示图像，以及执行各种图像处理操作。cv2.imread()：读取图像文件cv2.imshow()：显示图像cv2.waitKey()：等待键盘输入cv2.cvtColor()：颜色空间转换cv2.resize()：调整图像大小cv2.flip()：翻转图像cv2.blur()：图像模糊cv2.threshold()：图像阈值处理。
OpenCV-Python图像处理：透视变换概念、矩阵及实现案例详解
老猿Python
02-26 1万+
本节详细介绍了透视变换的概念、变换矩阵、作用以及OpenCV-Python相关的处理函数getPerspectiveTransform 和warpPerspective的语法及参数含义，并分析了输入图像和输出图像四对点确认透视变换矩阵的原理。最后提供了一个案例，来演示透视变换的代码实现及效果。本文的有些内容如四对点确认透视变换矩阵，在其他公开资料也有所提及，但老猿结合齐次坐标和矩阵运算将其细化了，应该是网上公开资料首次全面介绍。相关内容有助于理解透视变换的概念和OpenCV-Python透视变换的应用方式。
【hackmyvm】Slowman靶机
woshicainiao666的博客
05-20 720
发现/secretLOGIN/login.html为登录地址，根据账号密码登录发现一个zip，但是需要密码。在FTP中得到的账号，爆破一下SSH。上传linpeas.sh文件，报一下。SSH爆破无果，试试mysql。得到用户名和加密的密码。
【Python爬虫】案例_github模拟登录
最新发布
qq_45951891的博客
05-21 196
【代码】【Python爬虫】案例_github模拟登录。
python中用“*”运算符复制列表时子列表实际上引用的是同一个列表，列表和嵌套列表的坑
ThreeS_tones的博客
05-21 309
当你修改了一个子列表的元素时，所有的子列表都会随之改变。因为他们实际上都是同一个子列表的引用。输出如下，可以看到每个子列表中的第5个元素相同，并没有实现从0.8-1.2分布。先看一个例子，我想改变load的子列表中第五个元素，从0.8-1.2分布。的时候，Python实际上。
使用Python操作excel单元格——在单元格中插入公式
xll_007的博客
05-16 1013
使用Python操作excel单元格——在单元格中插入公式。 通过使用Python的openpyxl库，来操作excel单元格，在单元格中插入公式的操作。把学习的过程分享给大家。大佬勿喷！
python opencv视频处理
08-22
Python OpenCV是一个流行的计算机视觉库，可以用于处理图像和视频。它提供了一些函数和类来读取、处理和保存视频。首先，您可以使用cv2.VideoCapture类从摄像头设备中读取实时视频流或从文件中读取视频。使用cap....

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 25
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

传奇开心果编程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值