加载视频
# 加载视频
import cv2
import numpy as np
cap = cv2.VideoCapture('./video.mp4')
# 循环读取视频帧
while True:
# 返回标识与画面
ret, frame = cap.read()
if ret == True:
cv2.imshow('video', frame)
# 每33毫秒,读取一个画面
key = cv2.waitKey(1000 // 30)
# 用户 按q 退出
if key == ord('q'):
break
# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()
cv2.waitKey(1)
-1
去除背景示例
知识补充 – 背景减除
背景减除算法(Background Subtraction)通过这一方法我们能够从视频中分离出运动的物体(前景),去除静止物体(背景)从而达到目标检测的目的。
- BackgroundSubtractorMOG
- 这是一个以混合高斯模型为基础的前景/背景分割算法。
- 它使用 K(K=3 或 5)个高斯分布混合对背景像素进行建模。使用这些颜色(在整个视频中)存在时间的长短作为混合的权重。背景的颜色一般持续的时间最长,而且更加静止。
- 在编写代码时,我们需要使用函数:cv2.createBackgroundSubtractorMOG2() 创建一个背景对象。这个函数有些可选参数,比如要进行建模场景的时间长度,高斯混合成分的数量,阈值等。将他们全部设置为默认值。然后在整个视频中我们是需要使用backgroundsubtractor.apply() 就可以得到前景的掩模了.
- 移动的物体会被标记为白色,背景会被标记为黑色的
import cv2
import numpy as np
# 开启摄像头
cap = cv2.VideoCapture(0)
# 创建mog对象
mog = cv2.createBackgroundSubtractorMOG2()
while True:
# 读取画面
ret, frame = cap.read()
if ret == True:
# 去除背景
fgmask = mog.apply(frame)
# 展示处理之后的画面
cv2.imshow('video', fgmask)
# 画面为30帧
key = cv2.waitKey(1000 // 30)
# 用户 按q 退出
if key == ord('q'):
break
# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()
cv2.waitKey(1)
-1
形态学识别车辆
import cv2
import numpy as np
# 加载视频
cap = cv2.VideoCapture('./video.mp4')
# 创建mog对象
mog = cv2.createBackgroundSubtractorMOG2()
# 创建矩形核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 设置最小的长和宽 -- 用于判断是车辆经过
min_w = 90
min_h = 90
line_high = 600
# 偏移量
offset = 15
cars = []
carno = 0 # 车的数量
# 计算外接矩形的中心点
def center(x, y, w, h):
x1 = int(w / 2)
y1 = int(h / 2)
cx = int(x) + x1
cy = int(y) + y1
return cx, cy
while True:
# 读取画面
ret, frame = cap.read()
if ret == True:
# 把原始帧进行灰度化
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 去噪 -- 高斯滤波
blur = cv2.GaussianBlur(gray, (3, 3), 5)
# 去除背景
mask = mog.apply(blur)
# 腐蚀
erode = cv2.erode(mask, kernel)
# 膨胀, 把图像还原回来
dialte = cv2.dilate(erode, kernel, iterations=2)
# 消除内部的小块
# 闭运算:膨胀,再腐蚀
close = cv2.morphologyEx(dialte, cv2.MORPH_CLOSE, kernel)
# 查找轮廓,返回轮廓和层级
contours, h = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 画出检测线
cv2.line(frame, (10, line_high), (1200, line_high), (255, 255, 0), 3)
# 画出所有检测出来的轮廓
for contour in contours:
# 最大外接矩形
(x, y, w, h) = cv2.boundingRect(contour)
# 通过外接矩形的宽高大小来过滤掉小矩形.
is_valid = (w >= min_w) and (h >= min_h)
if not is_valid:
continue
# 能走到这里来的都是符合要求的矩形, 即正常的车.
# 框出车辆,要求坐标点都是整数
cv2.rectangle(frame, (int(x), int(y)), (int(x + w), int(y + h)), (0, 0, 255), 2)
# 把车抽象为一点, 即外接矩形的中心点
# 要通过外接矩形计算矩形的中心点.
cpoint = center(x, y, w, h)
# 将中心点加粗 -- 变成实心圆
cv2.circle(frame, (cpoint), 5, (0, 0, 255), -1)
# 判断汽车是否过检测线
if y > (line_high - offset) and y < (line_high + offset):
# 落入了有效区间
# 计数加1
carno += 1
cv2.putText(frame, 'Vehicle Count:' + str(carno), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 255), 5)
cv2.imshow('frame', frame)
key = cv2.waitKey(1000 // 20)
# 用户 按q 退出
if key == ord('q'):
break
# 最后别忘了, 释放资源
cap.release()
cv2.destroyAllWindows()
cv2.waitKey(1)
-1