OpenCV入门9——目标识别（车辆统计）

最新推荐文章于 2024-07-26 13:24:37 发布
最新推荐文章于 2024-07-26 13:24:37 发布
阅读量804 收藏 7
点赞数 9
分类专栏： OpenCV 文章标签： opencv 人工智能 计算机视觉 经验分享
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/qq_44631615/article/details/134518491
版权

文章目录

图像轮廓

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

查找轮廓

# -*- coding: utf-8 -*-
import cv2
import numpy as np

img = cv2.imread('./contours1.jpeg')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

cv2.imshow('img', img)
cv2.imshow('binary', binary)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

print(contours)

key = cv2.waitKey(0) & 0xff
if key == ord('q'):
    cv2.destroyAllWindows()

在这里插入图片描述
在这里插入图片描述

绘制轮廓

在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

img = cv2.imread('./contours1.jpeg')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

print(contours)

# 绘制轮廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 1)

cv2.imshow('img', img)
cv2.imshow('binary', binary)

key = cv2.waitKey(0) & 0xff
if key == ord('q'):
    cv2.destroyAllWindows()

在这里插入图片描述
详细可参考官方资料

# -*- coding: utf-8 -*-
import cv2
import numpy as np

img = cv2.imread('./contours1.jpeg')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

print(contours)

# 绘制轮廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 1)

cv2.imshow('img', img)
cv2.imshow('binary', binary)

key = cv2.waitKey(0) & 0xff
if key == ord('q'):
    cv2.destroyAllWindows()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

轮廓的面积与周长

在这里插入图片描述
在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

img = cv2.imread('./contours1.jpeg')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

print(contours)

# 绘制轮廓
cv2.drawContours(img, contours, 0, (0, 255, 0), 1)
# 计算面积
area = cv2.contourArea(contours[0])
print("area=%d"%(area))

# 计算周长
len = cv2.arcLength(contours[0], True)
print("len=%d"%(len))

# cv2.imshow('img', img)
# cv2.imshow('binary', binary)

# key = cv2.waitKey(0) & 0xff
# if key == ord('q'):
#     cv2.destroyAllWindows()

在这里插入图片描述

多边形逼近与凸包

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

img = cv2.imread('./hand.png')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

print(len(contours))

# 绘制轮廓
cv2.drawContours(img, contours, 0, (0, 255, 0), 1)
# 计算面积
# area = cv2.contourArea(contours[0])
# print("area=%d"%(area))

# 计算周长
# len = cv2.arcLength(contours[0], True)
# print("len=%d"%(len))

cv2.imshow('img', img)
# cv2.imshow('binary', binary)

key = cv2.waitKey(0) & 0xff
if key == ord('q'):
    cv2.destroyAllWindows()

在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

def drawShape(src, points):
    i = 0
    while i < len(points):
        if(i == len(points) - 1):
            x, y = points[i][0]
            x1, y1 = points[0][0]
            cv2.line(src, (x, y), (x1, y1), (0, 255, 0), 2)
        else:
            x, y = points[i][0]
            x1, y1 = points[i + 1][0]
            cv2.line(src, (x, y), (x1, y1), (0, 255, 0), 2)
        i = i + 1

img = cv2.imread('./hand.png')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# print(len(contours))

# 绘制轮廓
# cv2.drawContours(img, contours, 0, (0, 255, 0), 1)
# 计算面积
# area = cv2.contourArea(contours[0])
# print("area=%d"%(area))

# 计算周长
# len = cv2.arcLength(contours[0], True)
# print("len=%d"%(len))

e = 5
approx = cv2.approxPolyDP(contours[0], e, True)
drawShape(img, approx)

hull = cv2.convexHull(contours[0])
drawShape(img, hull)

cv2.imshow('img', img)
# cv2.imshow('binary', binary)

key = cv2.waitKey(0) & 0xff
if key == ord('q'):
    cv2.destroyAllWindows()

在这里插入图片描述

外接矩形

在这里插入图片描述
红框就是最小外接矩形，绿框就是最大外接矩形。

最小外接矩形可以看图形有没有旋转
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
详情见参考文档
在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

def drawShape(src, points):
    i = 0
    while i < len(points):
        if(i == len(points) - 1):
            x, y = points[i][0]
            x1, y1 = points[0][0]
            cv2.line(src, (x, y), (x1, y1), (0, 255, 0), 2)
        else:
            x, y = points[i][0]
            x1, y1 = points[i + 1][0]
            cv2.line(src, (x, y), (x1, y1), (0, 255, 0), 2)
        i = i + 1

img = cv2.imread('./hello.jpeg')
# print(img.shape)

# 转变为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(gray.shape)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# print(len(contours))

# 绘制轮廓
# cv2.drawContours(img, contours, 1, (0, 255, 0), 1)
# 计算面积
# area = cv2.contourArea(contours[0])
# print("area=%d"%(area))

# 计算周长
# len = cv2.arcLength(contours[0], True)
# print("len=%d"%(len))

# e = 5
# 多边形逼近
# approx = cv2.approxPolyDP(contours[0], e, True)
# drawShape(img, approx)

# 凸包
# hull = cv2.convexHull(contours[0])
# drawShape(img, hull)

r = cv2.minAreaRect(contours[1])
box = cv2.boxPoints(r)
box = np.int0(box)
cv2.drawContours(img, [box], 0, (0, 255, 0), 2)

x, y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

cv2.imshow('img', img)
# cv2.imshow('binary', binary)

key = cv2.waitKey(0) & 0xff
if key == ord('q'):
    cv2.destroyAllWindows()

在这里插入图片描述

项目总览【车辆统计】

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

视频加载【车辆统计】

# -*- coding: utf-8 -*-
import cv2
import numpy as np

cap = cv2.VideoCapture('./video.mp4')

while True:
    ret, frame = cap.read()

    if(ret == True):
        cv2.imshow('video', frame)

    key = cv2.waitKey(1)
    if(key == 27):
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

去背景【车辆统计】

如果视频是25fps，即每秒25帧，即1000ms过25帧，那么200ms就走5帧（25/1000*200=5)
在这里插入图片描述
在这里插入图片描述
运动的物体为前景，静止的物体就是背景

详细可以参考官方文档
在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

cap = cv2.VideoCapture('./video.mp4')

bgsubmog = cv2.createBackgroundSubtractorMOG2()
while True:
    ret, frame = cap.read()

    if(ret == True):
        mask = bgsubmog.apply(frame)
        cv2.imshow('video', mask)

    key = cv2.waitKey(1)
    if(key == 27):
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

# -*- coding: utf-8 -*-
import cv2
import numpy as np

cap = cv2.VideoCapture('./video.mp4')

bgsubmog = cv2.createBackgroundSubtractorMOG2()
tst = cv2.createBackgroundSubtractorMOG2()

while True:
    ret, frame = cap.read()

    if(ret == True):
        # 灰度图
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 去噪（高斯）
        blur = cv2.GaussianBlur(frame, (3, 3), 5)
        # 去背景
        mask = bgsubmog.apply(blur)
        t = tst.apply(frame)

        cv2.imshow('video', mask)
        cv2.imshow('t', t)

    key = cv2.waitKey(40)
    if(key == 27):
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

形态学处理【车辆统计】

# -*- coding: utf-8 -*-
import cv2
import numpy as np

cap = cv2.VideoCapture('./video.mp4')

bgsubmog = cv2.createBackgroundSubtractorMOG2()
# tst = cv2.createBackgroundSubtractorMOG2()

# 形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while True:
    ret, frame = cap.read()

    if(ret == True):
        # 灰度图
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 去噪（高斯）
        blur = cv2.GaussianBlur(frame, (3, 3), 1)
        # 去背景
        mask = bgsubmog.apply(blur)
        # t = tst.apply(frame)

        # 腐蚀，去掉图中小斑块
        erode = cv2.erode(mask, kernel, iterations=1)

        # 膨胀，还原放大
        dilate = cv2.dilate(erode, kernel2, iterations=5)

        # 闭操作，去掉物体内部噪声
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)

        contours, hierarchy = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        for i, c in enumerate(contours):
            x, y, w, h = cv2.boundingRect(c)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        cv2.imshow('video', frame)
        # cv2.imshow('erode', close)

    key = cv2.waitKey(40)
    if(key == 27):
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述
在这里插入图片描述

逻辑处理【车辆统计】

# -*- coding: utf-8 -*-
import cv2
import numpy as np

min_w = 50
min_h = 50
max_w = 800
max_h = 800

# 检测线的高度
line_high = 480

# 存放有效车辆数组
cars = []

# 统计车的数量
carnums = 0

# 线的偏移
offset = 10

# 求中心点
def center(x, y, w, h):
    x1 = int(w / 2)
    y1 = int(h / 2)
    cx = x + x1
    cy = y + y1
    return cx, cy

cap = cv2.VideoCapture('./video.mp4')

bgsubmog = cv2.createBackgroundSubtractorMOG2()
# tst = cv2.createBackgroundSubtractorMOG2()

# 形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while True:
    ret, frame = cap.read()

    if(ret == True):
        # print(frame.shape)
        # (584, 1280, 3)
        # 灰度图
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 去噪（高斯）
        blur = cv2.GaussianBlur(frame, (3, 3), 1)
        # 去背景
        mask = bgsubmog.apply(blur)
        # t = tst.apply(frame)

        # 腐蚀，去掉图中小斑块
        erode = cv2.erode(mask, kernel, iterations=1)

        # 膨胀，还原放大
        dilate = cv2.dilate(erode, kernel2, iterations=3)

        # 闭操作，去掉物体内部噪声
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)

        contours, hierarchy = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        cv2.line(frame, (100, line_high), (1100, line_high), (255, 255, 0), 2)

        for i, c in enumerate(contours):
            x, y, w, h = cv2.boundingRect(c)

            # 对车辆的宽高进行判断，以验证是否是有效车辆
            isValid = (x >= min_w) and (h >= min_h) and (x <= max_w) and (h <= max_h)
            if(not isValid):
                continue

            # 有效的车
            cpoint = center(x, y, w, h)
            cars.append(cpoint)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

            for xc, yc in cars:
                if(yc > line_high - offset and yc < line_high + offset):
                    carnums += 1
                    cars.remove((xc, yc))
                    print(carnums)

        cv2.imshow('video', frame)
        # cv2.imshow('erode', close)

    key = cv2.waitKey(40)
    if(key == 27):
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述

显示信息【车辆统计】

# -*- coding: utf-8 -*-
import cv2
import numpy as np

min_w = 50
min_h = 50
max_w = 800
max_h = 800

# 检测线的高度
line_high = 480

# 存放有效车辆数组
cars = []

# 统计车的数量
carnums = 0

# 线的偏移
offset = 10

# 求中心点
def center(x, y, w, h):
    x1 = int(w / 2)
    y1 = int(h / 2)
    cx = x + x1
    cy = y + y1
    return cx, cy

cap = cv2.VideoCapture('./video.mp4')

bgsubmog = cv2.createBackgroundSubtractorMOG2()
# tst = cv2.createBackgroundSubtractorMOG2()

# 形态学kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while True:
    ret, frame = cap.read()

    if(ret == True):
        # print(frame.shape)
        # (584, 1280, 3)
        # 灰度图
        cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 去噪（高斯）
        blur = cv2.GaussianBlur(frame, (3, 3), 1)
        # 去背景
        mask = bgsubmog.apply(blur)
        # t = tst.apply(frame)

        # 腐蚀，去掉图中小斑块
        erode = cv2.erode(mask, kernel, iterations=1)

        # 膨胀，还原放大
        dilate = cv2.dilate(erode, kernel2, iterations=3)

        # 闭操作，去掉物体内部噪声
        close = cv2.morphologyEx(dilate, cv2.MORPH_CLOSE, kernel)
        close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)

        contours, hierarchy = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        # 画一条检测线
        cv2.line(frame, (100, line_high), (1100, line_high), (255, 255, 0), 2)

        for i, c in enumerate(contours):
            x, y, w, h = cv2.boundingRect(c)

            # 对车辆的宽高进行判断，以验证是否是有效车辆
            isValid = (x >= min_w) and (h >= min_h) and (x <= max_w) and (h <= max_h)
            if(not isValid):
                continue

            # 有效的车
            cpoint = center(x, y, w, h)
            cars.append(cpoint)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
            cv2.circle(frame, (cpoint), 5, (0, 0, 255), -1)

            for xc, yc in cars:
                if(yc > line_high - offset and yc < line_high + offset):
                    carnums += 1
                    cars.remove((xc, yc))
                    print(carnums)
        cv2.putText(frame, "Cars Count:" + str(carnums), (500, 60), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 255, 0), 3)
        cv2.imshow('video', frame)
        # cv2.imshow('erode', close)

    key = cv2.waitKey(40)
    if(key == 27):
        break

cap.release()
cv2.destroyAllWindows()

在这里插入图片描述
通过实践可以发现传统的目标检测缺点很多，比方说可能重复计数…所以之后我们需要结合深度学习来提高目标检测的精度

之后我会持续更新，如果喜欢我的文章，请记得一键三连哦，点赞关注收藏，你的每一个赞每一份关注每一次收藏都将是我前进路上的无限动力 ！！！↖(▔▽▔)↗感谢支持！

源代码•宸
关注
  • 9
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于python的OpenCV快速入门——图像平滑处理
12-21
基于python的OpenCV快速入门——图像平滑处理​在尽量保留图像原有信息的情况下，过滤掉图像内部的噪声，这一过程称为对图像的平滑处理，所得的图像称为平滑图像​图像平滑处理会对图像中与周围像素点的像素值差异较...
简单图像处理（opencv-python入门）
01-20
参考书目：《Python人脸识别——从入门到工程实践》王天庆著 1.负片（相机底片） import cv2 import numpy as np img=cv2.imread(1.png) cv2.imshow(lala,img) cv2.waitKey(1000) print(img) height=img.shape[0] ...
opencv--python车辆统计项目
qq_29969657的博客
04-29 927
能够识别所捕获视频内车辆的位置并且计算通过车辆的数量，实现功能与内容包括：窗口的展示，图像/视频的加载；基本图形的绘制；车辆的识别。车辆的识别包括基本图像运算和处理，形态学基础，轮廓的查找，文字显示等其次考虑需要的功能：加载车辆视频；通过形态学识别车辆；对车辆进行统计；显示车辆统计信息。
基于opencv的车辆识别系统
2303_77556681的博客
06-25 780
将图像转换为NumPy数组，并将其从RGB颜色空间转换为BGR颜色空间，因为OpenCV使用BGR。创建一个按钮，当点击时调用 detect_cars_in_image 函数，并将其添加到窗口中。使用Haar级联分类器检测灰度图像中的汽车，返回检测到的汽车的边界框列表。弹出一个文件选择对话框，允许用户选择一个图像文件，并获取文件的路径。创建一个标签，提示用户点击按钮选择图像，并将其添加到窗口中。创建一个600x500大小的画布，并将其添加到窗口中。一个预训练的模型，用于检测图像中的汽车。
OpenCV 入门（七）—— 身份证识别
tmacfrank的博客
05-06 1847
利用 OpenCV 实现身份证识别 Demo 效果：实际上身份证识别、银行卡识别都是相同的思路。
OpenCV 入门（四）—— 车牌号识别
tmacfrank的博客
05-03 2575
OpenCV车牌识别
opencv入门项目——车道线检测
不想随波逐流的大学生一枚，我们每个人都在努力奔跑
07-15 9689
Opencv入门项目——车道线检测，Canny边缘检测 - ROI - 霍夫变换 - 离群值过滤 - 最小二乘拟合 - 直线绘制 - 视频流读写
OpenCV入门系列 —— findContours查找轮廓
工业机器视觉
06-07 948
随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程示例，让初次使用者能够最简单直观地感受到当前所用算法模块的执行效果。后续会逐步扩增与工业机器视觉相关的一些其它内容，如：项目案例剖析、场景数据分
opencv-python——图像识别入门学习(1)
weixin_41244698的博客
06-23 1307
1、读取图像 首先导入opencv。 import cv2 as cv 如果没有安装，可以在cmd输入： pip install opencv-python 来安装。 读取图像使用cv.imread()函数，第一个参数是文件名，第二个参数是标志，用于指定图像的读取方式。 cv.IMREAD_COLOR: 加载彩色图像。任何图像的透明度都会被忽视。 cv.IMREAD_GRAYSCALE：以灰度模式加载图像。 cv.IMREAD_UNCHANGED：加载图像，包括alpha通道。 如果不输入则默认第一种，
OpenCV入门系列 —— Scharr边缘检测
工业机器视觉
04-21 2419
随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。 为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程示例，让初次使用者能够最简单直观地感受到当前所用算法模.
OpenCV入门系列 —— boxFilter盒子滤波
工业机器视觉
05-02 1200
图像滤波、平滑等相关处理操作的目的是在于弱化像素间跳变梯度，将后续需要依靠像素跳变梯度操作的泛性、鲁棒性提升；
OpenCV入门系列 —— 加载并展示图片
工业机器视觉
04-18 708
加载图片数据时，若不指定加载模式，默认是加载为彩色图； 一般需按照作业需求（如灰度图、depth数据、二值图等），明确指定加载模式； 若是基于windows+VS进行开发，可安装ImageWatch插件，对cv::Mat对象变量进行debug可视化；
MFC_OpenCV.rar_gesture recognition_opencv手势识别_手势识别_手势识别 CSHarp
09-23
入门级别”说明这个项目的目标是实现一个能够识别1到9的手势识别系统，使用了开源库，即OpenCV，而且定位为初学者级别的教程。OpenCV是一个强大的计算机视觉库，包含了多种图像处理和机器学习功能，非常适合进行手势...
python-pytorch-opencv-numpy入门程序实操
01-14
此外，OpenCV还包含用于特征检测、对象识别和图像分割等功能，是进行图像分析和处理的必备工具。 总的来说，这个入门程序涵盖了Python编程、深度学习（PyTorch）、数值计算（NumPy）和计算机视觉（OpenCV）的基础...
人脸识别基础入门教程
12-22
本文采用MTCNN+facenet实现人脸识别 ##由于我在环境配置方面踩的坑比较多，下面我会详细介绍如何进行安装 #第一步——环境配置 需要配置的环境有： anaconda pycharm python（最好选择3.5.x版本，一定不能选择高版本...
基于opencv[python]的人脸检测
m0_65963495的博客
07-25 2857
从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。
OpenCV车牌识别技术详解
极客代码
07-21 1618
本节介绍了OpenCV中的图像预处理技术，包括图像读取与显示、图像灰度化、图像二值化、图像形态学操作和图像轮廓提取。通过Python代码示例，展示了如何使用这些功能来处理车牌图像，为后续的车牌定位和字符分割做好准备。这些预处理步骤是车牌识别系统中不可或缺的部分，它们有助于提高识别的准确性和效率。后续文章将继续介绍OpenCV的其他功能模块和技术原理。本节介绍了OpenCV中的车牌定位技术，包括基于边缘检测的方法和基于颜色分割的方法。通过Python代码示例，展示了如何使用这些方法来定位车牌在图像中的位置。
2024钉钉杯A题思路详解
最新发布
全栈川川
07-26 1932
2024钉钉杯思路
OpenCV入门指南：快速掌握与实践
OpenCV入门教程由作者于仕琪撰写，旨在帮助初学者快速理解和掌握这个广泛应用于计算机视觉领域的开源库。教程始于2012年8月，遵循知识共享署名-相同方式共享4.0国际许可协议。教程针对的主要问题在于新手常遇到的...
评论
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
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