深入掌握Python实现Siamese网络在实时视觉跟踪中的应用

bjackzjack

于 2024-08-29 11:47:05 发布

阅读量1.3k

点赞数 26

本文链接：https://blog.csdn.net/weixin_34945060/article/details/141693286

版权

本文还有配套的精品资源，点击获取

简介：本项目聚焦于使用Python进行深度学习，特别着重于Siamese网络在实时视觉跟踪中的实现。通过研究Siamese网络的结构和工作原理，我们构建并训练模型以比较不同输入的相似性，并将其应用于视频序列中目标物体的追踪。Python的丰富科学计算库和深度学习框架，如TensorFlow、PyTorch，为实现这一技术提供了支持。项目中包含了目标初始化、特征提取、相似度度量、追踪决策及模型更新等关键步骤，以及实时显示追踪结果的功能。掌握这些技能，不仅能够复现该项目，还将有助于深入理解和应用深度学习在视觉跟踪领域的实际应用。

1. Python深度学习应用

简介

深度学习是人工智能的一个分支，它通过模拟人脑的神经网络结构来学习数据。Python作为编程语言，因其简洁易读而被广泛采用在深度学习研究和开发中。

Python与深度学习的关系

Python有像TensorFlow, Keras, PyTorch这样的深度学习框架，这些框架提供了丰富的API和工具，使得数据科学家和开发者能够设计、训练、和部署复杂的深度学习模型。

实际项目应用

在实际项目中，Python深度学习的应用非常广泛，包括图像识别、自然语言处理、视频分析、和预测分析等。它允许开发者快速开发原型并将其应用在实际问题解决中。

实操：Python深度学习入门

安装Python及深度学习框架（例如： pip install tensorflow ）
运行简单的神经网络示例代码，了解基本流程。
阅读官方文档和教程，逐渐深入学习。

深度学习和Python的结合为处理复杂的非结构化数据提供了强大的工具。随着技术的不断进步，Python在深度学习领域的应用将会更加广泛。

2. Siamese网络工作原理与应用

2.1 Siamese网络基础

2.1.1 网络结构与基本概念

Siamese网络是一种特殊的神经网络结构，专门用于比较两个或多个输入样本的相似性。它由两个相同子网络组成，这两个子网络共享相同的参数和权重，并行处理不同的输入。其核心思想在于通过学习将输入样本嵌入到一个共同的特征空间中，在这个空间中，相似样本的距离被最小化，而不相似样本的距离被最大化。

Siamese网络常用于那些需要比较两个样本相似度的任务，例如人脸识别、签名验证和异常检测。网络的训练过程包括构造正样本对（相似样本对）和负样本对（不相似样本对），通过损失函数来优化，使得网络能够区分样本对的相似性。

import tensorflow as tf
from tensorflow.keras import layers, models

def create_siamese_network(input_shape):
    # 定义Siamese网络结构
    input_a = layers.Input(shape=input_shape)
    input_b = layers.Input(shape=input_shape)
    # 共享子网络结构
    shared_layers = models.Sequential([
        layers.Conv2D(64, (10, 10), activation='relu'),
        layers.MaxPooling2D((2, 2)),
        layers.Conv2D(128, (7, 7), activation='relu'),
        layers.MaxPooling2D((2, 2)),
        layers.Conv2D(128, (4, 4), activation='relu'),
        layers.Flatten()
    ])
    # 处理两个输入的子网络
    processed_a = shared_layers(input_a)
    processed_b = shared_layers(input_b)
    # 使用全连接层和L1距离进行相似性度量
    distance = layers.Lambda(lambda embeddings: tf.reduce_mean(tf.abs(embeddings[0] - embeddings[1]), axis=1))([processed_a, processed_b])
    # 编译模型
    model = models.Model(inputs=[input_a, input_b], outputs=distance)
    return model

上述代码定义了一个Siamese网络，包含两个共享的卷积神经网络层，用于从输入图像中提取特征，并通过L1距离计算两个特征向量的差异，用以衡量两个输入样本的相似性。在实际应用中，网络的结构和参数应根据任务需求进行调整。

2.1.2 训练过程的关键步骤

Siamese网络的训练通常采用对比学习的方法，关键步骤包括：

数据准备 ：收集足够的样本对，并为每对样本标记标签，表示两个样本是相似的（正样本对）还是不相似的（负样本对）。
正负样本对的生成 ：在网络训练时，需要动态生成正负样本对，并且样本对需要具有一定的多样性，以保证网络泛化能力。
损失函数的选择与优化 ：对比损失函数（Contrastive Loss）或三元组损失函数（Triplet Loss）常用于Siamese网络的训练。对比损失函数可以表示为： $$ L = \frac{1}{2N} \sum_{i=1}^{N} (1 - y_i) \cdot D_i^2 + y_i \cdot \left( \max(0, m - D_i) \right)^2 $$

其中，(D_i)表示第(i)对样本的相似度度量，(y_i)是标签（(0)或(1)），(m)是边界间隔，(N)是批处理样本对的数量。

def contrastive_loss(y_true, y_pred):
    margin = 1
    square_pred = tf.square(y_pred)
    margin_square = tf.square(tf.maximum(margin - y_pred, 0))
    return tf.reduce_mean(y_true * square_pred + (1 - y_true) * margin_square)

通过定义损失函数，网络在训练过程中能够学习到如何区分不同样本的相似度。这要求正样本对的距离更小，而负样本对的距离更大。

2.2 Siamese网络在视觉跟踪中的作用

2.2.1 视觉跟踪中的匹配问题

视觉跟踪是计算机视觉领域的基本问题之一，它涉及在一个视频序列中追踪一个或多个目标对象。这个问题的复杂之处在于目标的外观、形状和尺寸可能随时间改变，还可能受到遮挡、光照变化和背景干扰等因素的影响。

在视觉跟踪中，一个核心的挑战是如何在连续的视频帧之间匹配目标。这通常通过比较目标的当前帧表示与前一帧的表示，或与一个或多个已知目标模板的表示来实现。Siamese网络在此场景下可用于学习一个强有力的特征表示，使得即使目标外观发生改变，也能够保持稳健的匹配性能。

2.2.2 Siamese网络的解决方案和优势

Siamese网络在视觉跟踪中解决匹配问题的核心在于其能够学习一个特征空间，在该空间中，相似的目标在视觉特征上彼此接近，而与背景或其他目标有足够的区分度。这种能力使Siamese网络在目标的外观变化时仍能进行准确的匹配。

Siamese网络的优势主要体现在以下几点：

不变性 ：网络可以学习到对旋转、缩放、平移和其他几何变化保持不变的特征表示。
区分性 ：网络可以识别和区分目标与背景之间的差异，即便在复杂的场景中也能保持高准确率。
动态更新 ：网络结构允许进行在线学习，使模型能够适应目标外观的长期变化。
计算效率 ：实时视觉跟踪系统需要高效率的计算，Siamese网络设计通常较为简洁，计算成本较低。

2.3 应用案例分析

2.3.1 工业级视觉跟踪实例

在工业应用中，视觉跟踪被广泛用于自动化生产线的监控、机器人导航和安全系统。例如，在自动化仓库中，需要跟踪和识别运输车辆上的货物，以便于进行分类和管理。

Siamese网络应用于此类场景时，首先需要收集相关的训练数据，包括不同角度和光照条件下的货物图片。通过训练，网络学会将货物识别为特定的类别，并能在实时视频流中进行快速匹配。工业级应用要求系统的准确度、稳定性和实时性都达到高标。

# 示例：用Siamese网络进行货物识别和跟踪的伪代码
def track_items_in_factory(video_stream):
    # 初始化Siamese模型
    siamese_model = create_siamese_network(input_shape=(height, width, channels))
    # 加载预训练权重
    siamese_model.load_weights('path_to_pretrained_weights.h5')
    # 实时跟踪过程
    while True:
        frame = video_stream.read()
        for item in frame:
            item_representation = process_item(item) # 预处理后输入网络
            # 进行目标匹配和跟踪
            # ...
            # 显示或记录匹配和跟踪结果
            # ...
        # 显示当前视频帧
        # ...

2.3.2 网络优化与性能评估

在实际部署Siamese网络进行视觉跟踪时，优化网络结构和参数对于保证性能至关重要。通过使用如Dropout、Batch Normalization等技术，可以提高模型的泛化能力，减少过拟合的风险。同时，对训练数据进行增强，比如通过旋转、缩放、裁剪等手段，可以进一步提升网络在现实场景中的鲁棒性。

性能评估通常采用精确度、召回率、F1分数等指标。针对视频跟踪，还需要考虑跟踪的连续性和实时性。实际应用中可能需要将Siamese网络与其他算法（如卡尔曼滤波器、粒子滤波器）结合，以达到更佳的跟踪效果。

graph LR
    A[开始视频流] --> B[预处理视频帧]
    B --> C[输入到Siamese网络]
    C --> D[目标检测与匹配]
    D --> E[跟踪与结果记录]
    E --> F[显示跟踪结果]
    F --> G[性能评估]
    G --> H[模型参数调整]
    H --> |迭代| C

通过不断优化和评估，Siamese网络能够在视觉跟踪任务中达到更加稳定和高效的表现。

3. 视觉跟踪系统关键组件

视觉跟踪是计算机视觉领域的一个重要分支，其目的是在视频序列中实时地检测和跟踪一个或多个物体。为了构建一个高效的视觉跟踪系统，需要考虑的关键组件包括系统的架构设计、数据处理与预处理方法、以及目标检测与跟踪算法的选择和实现。本章将详细介绍这些组件的构建和优化过程。

3.1 跟踪系统架构

3.1.1 系统设计与模块划分

一个典型的视觉跟踪系统架构可以分为三个主要模块：数据输入模块、处理模块和输出模块。

数据输入模块 负责接收视频流或图像序列，并将其传递到处理模块。
处理模块 是系统的核心，包含目标检测和跟踪算法。它负责分析输入的数据，并生成目标的轨迹信息。
输出模块 则负责将跟踪结果可视化输出，提供给用户或进一步的应用程序。

在设计系统架构时，需要考虑模块的解耦和可扩展性，以适应不断发展的跟踪算法和技术。模块化设计有助于快速集成新的算法，并且可以针对不同应用场景灵活调整模块配置。

3.1.2 关键技术组件与功能

跟踪系统的技术组件应包括但不限于以下功能：

目标检测器 ：用于在视频序列的每一帧中定位和识别目标物体。
特征提取器 ：分析目标的特征信息，为跟踪算法提供决策支持。
跟踪算法 ：根据目标的运动模型、环境变化等因素，持续跟踪目标的位置。
用户界面 ：将跟踪结果以直观的方式呈现给用户，可能包括坐标、速度、轨迹等信息。

此外，系统架构中还应考虑异常检测和处理机制，以应对目标丢失或其他跟踪失败的情况。这些组件共同作用，确保视觉跟踪系统的稳定性和可靠性。

3.2 数据处理与预处理

3.2.1 数据采集和格式化

数据采集是视觉跟踪的第一步，需要从各种数据源（如摄像头、视频文件等）获取原始图像数据。对于实时跟踪系统，数据采集模块需要具备高效的图像捕获和处理能力。对于非实时的跟踪系统，则需要考虑从存储介质中读取数据的效率。

图像数据采集完成后，需要对其进行格式化处理。格式化包括调整图像尺寸、转换图像格式（如从RGB到YUV）等，以便后续处理。这个过程中，可能还需要实现一些预处理步骤，如将图像从彩色转换为灰度，以减少数据量和处理时间。

3.2.2 数据增强与预处理方法

为了提高跟踪算法的鲁棒性，数据增强技术被广泛应用于预处理阶段。数据增强可以生成更多的训练样本，以覆盖更多场景和条件，减少过拟合风险。常见的数据增强技术包括：

随机裁剪 ：从原始图像中随机裁剪出一部分区域作为输入。
旋转和翻转 ：对图像进行随机旋转和水平/垂直翻转操作。
缩放和透视变换 ：模拟不同距离和视角下目标的外观变化。
亮度和对比度调整 ：模拟不同的光照条件。

除了数据增强，预处理步骤还包括噪声滤除、直方图均衡化等，目的是改善图像质量，以提高目标检测和跟踪的准确性。

3.3 目标检测与跟踪算法

3.3.1 常用的目标检测技术

目标检测是视觉跟踪系统中至关重要的一环，它决定了跟踪算法能否准确地从图像中识别和定位目标物体。常用的目标检测技术包括：

传统方法 ：如背景减除、帧差法、光流法等，虽然计算效率较高，但对复杂场景适应性不足。
基于深度学习的方法 ：如R-CNN、YOLO、SSD和Faster R-CNN等，通过学习大量带标签数据，能够更准确地识别目标。

在选择目标检测技术时，需要权衡算法的准确性、速度和资源消耗。例如，在资源受限的设备上，可能优先选择轻量级的模型，而在准确率要求极高的场合，则可能选择复杂度更高的模型。

3.3.2 跟踪算法的选择和实现

目标跟踪算法通常可以分为基于模型的跟踪算法和基于特征的跟踪算法：

基于模型的跟踪算法 ，如卡尔曼滤波器和粒子滤波器，通过建立目标的动态模型来预测其未来位置。
基于特征的跟踪算法 ，如均值漂移（Mean Shift）、光学流（Optical Flow）等，通过提取目标的关键点或边缘信息来实现跟踪。

在实现这些算法时，需要详细考虑算法的初始化、更新机制、目标丢失的检测与处理等问题。现代视觉跟踪系统往往结合多种算法，形成一个鲁棒性更高的混合跟踪模型。

本章详细介绍了视觉跟踪系统的核心组件。从系统架构设计到数据预处理，再到目标检测与跟踪算法的实现，每个环节都是构建高效跟踪系统不可或缺的部分。接下来的章节将继续深入探讨特征提取技术、相似度度量方法以及如何将这些技术应用到Siamese网络中。

4. 特征提取与相似度度量

4.1 特征提取技术

4.1.1 深度学习中的特征学习

深度学习技术的核心在于其能够自动从数据中学习特征表示。在视觉跟踪中，深度学习模型通过多层结构从原始像素中提取出对任务有帮助的高级特征。在这一过程中，卷积神经网络（CNN）尤为关键，它能够捕捉图像的空间层级特征。

从传统的CNN结构，如LeNet、AlexNet到更深层次的网络，如VGG和ResNet，每一个网络层都能够通过学习提取出不同的特征。在浅层网络中，特征提取通常关注边缘、角点等局部特征；而在深层网络中，则可以识别更复杂的模式，如对象部件和高级抽象概念。

应用示例代码块

from keras.applications.vgg16 import VGG16
from keras.models import Model
from keras.layers import Dense, Flatten
import numpy as np

# 加载预训练的VGG16模型
base_model = VGG16(weights='imagenet')

# 冻结基础层权重
for layer in base_model.layers:
    layer.trainable = False

# 添加自定义层
x = base_model.output
x = Flatten()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# 构建最终模型
model = Model(inputs=base_model.input, outputs=predictions)

# 假设输入的是一个经过预处理的图像数据
image = np.random.rand(1, 224, 224, 3)

# 预测特征向量
feature_vector = model.predict(image)

# 特征向量的维度是(1, 1024)，可以用于后续的分类任务或其他分析

在这段代码中，我们使用了Keras库中的VGG16模型来提取特征向量。首先加载预训练权重的VGG16模型，并将模型的所有层的可训练属性设置为False以保持其权重不变。随后，我们添加了一个全连接层来学习新的特征表示，并最终输出一个1024维的特征向量。

4.1.2 不同场景下特征提取的差异

在不同的应用场景中，深度学习模型需要提取的特征也会有所不同。例如，在视频监控的环境中，模型可能需要从具有不同视角、光照变化、遮挡等因素的图像序列中提取稳定的特征。在人车识别等特定任务中，模型则需要关注于特定对象的特征。

使用迁移学习是一个有效的策略。通过在大规模数据集上预训练模型并随后在特定任务上进行微调，可以实现良好的特征提取。此外，领域自适应技术也被广泛应用于解决领域差异带来的问题。

表格展示不同场景下特征提取方法

| 场景 | 特征提取方法 | 模型调整策略 | 典型应用 | | --- | --- | --- | --- | | 视频监控 | 时空特征学习 | 基于时间序列的网络 | 人车检测跟踪 | | 图像识别 | 预训练网络+微调 | 迁移学习 | 物体分类 | | 医疗影像分析 | 卷积神经网络 | 数据增强+领域自适应 | 病变识别 |

在不同场景下，特征提取方法的选择和模型调整策略各异。例如，在视频监控中，时空特征学习方法结合了时间维度信息，使得模型可以处理图像序列中的动态特征。而在图像识别任务中，预训练网络微调则是一种常见的策略，通过迁移学习让模型快速适应新任务。医疗影像分析中，需要使用数据增强和领域自适应技术来解决数据差异问题。

4.2 相似度度量方法

4.2.1 距离度量的基本概念

在视觉跟踪和相似度匹配任务中，距离度量是核心的组成部分。距离度量定义了不同特征向量之间的相似度或差异度。常见的距离度量方法包括欧几里得距离、曼哈顿距离、余弦相似度等。不同的距离度量方法具有各自的特点和适用场景。

例如，欧几里得距离适合度量空间中点的距离，它衡量的是特征向量之间的绝对差异，对数值的大小变化较为敏感。余弦相似度则度量的是两个向量间的夹角，适用于衡量方向性差异，对数值缩放不敏感，常用于文本分析等领域的相似度计算。

4.2.2 相似度计算在视觉跟踪中的应用

在视觉跟踪中，相似度计算通常用于比较目标在连续帧中的差异。为了提高跟踪的鲁棒性，通常采用特征向量间的相似度计算方法来判定目标是否匹配。

在Siamese网络中，相似度计算通常用在孪生网络的输出特征上。通过计算输入图像对的特征向量之间的距离，网络能够判断两个输入是否属于同一类目标。相似度计算的结果通常用于损失函数，指导网络通过反向传播进行参数更新，以学习更准确的特征表示。

代码示例：实现特征向量间的余弦相似度计算

import numpy as np

def cosine_similarity(vec1, vec2):
    # 计算余弦相似度
    cos_sim = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
    return cos_sim

# 假设我们有两组特征向量
feature_vector_1 = np.random.rand(1, 1024)
feature_vector_2 = np.random.rand(1, 1024)

# 计算两个向量之间的余弦相似度
similarity = cosine_similarity(feature_vector_1, feature_vector_2)

# 输出相似度值
print(f"Cosine Similarity: {similarity}")

在这段代码中，我们定义了一个 cosine_similarity 函数来计算两个特征向量的余弦相似度。这可以通过点积和两个向量的范数来实现。在实际应用中，相似度计算通常用于大量数据，这里仅以随机生成的向量作为示例。

4.3 应用到Siamese网络

4.3.1 特征嵌入与网络训练

Siamese网络由两个相同的子网络组成，它们共享相同的参数并行处理两个不同的输入。在视觉跟踪应用中，Siamese网络通常用于提取视觉特征并将它们嵌入到一个共同的特征空间中。

在训练阶段，Siamese网络的目标是使得相同类别的图像对在特征空间中距离更近，不同类别的图像对距离更远。通过构建合适的损失函数，例如三元组损失，可以实现这一目标。

代码示例：Siamese网络特征嵌入

from keras.layers import Input, Lambda
from keras.models import Model
import tensorflow as tf

def euclidean_distance(vectors):
    x, y = vectors
    sum_square = tf.reduce_sum(tf.square(x - y), axis=1, keepdims=True)
    return tf.sqrt(tf.maximum(sum_square, tf.keras.backend.epsilon()))

# 定义孪生网络的输入层
input_a = Input(shape=(1024,))
input_b = Input(shape=(1024,))

# 定义两个子网络
tower = tf.keras.models.Sequential()
tower.add(Dense(1024, activation='relu'))
tower.add(Dense(1024))

# 将子网络应用于两个不同的输入
tower_a = tower(input_a)
tower_b = tower(input_b)

# 计算嵌入向量之间的欧几里得距离
distance = Lambda(euclidean_distance)([tower_a, tower_b])

# 定义Siamese模型
model = Model(inputs=[input_a, input_b], outputs=distance)

# 编译模型
***pile(loss='binary_crossentropy', optimizer='adam')

在这个代码示例中，我们构建了一个Siamese网络的基本架构，其中包含了一个特征提取网络 tower 。输入层 input_a 和 input_b 代表成对的图像输入，经过相同的子网络处理后，输出它们的特征向量。 Lambda 层用于计算这两个特征向量之间的欧几里得距离。

4.3.2 实时跟踪中的相似度匹配

在实时视觉跟踪任务中，一旦Siamese网络被训练完成，它就可以用于新帧图像的实时特征提取和相似度匹配。网络需要比较目标模板和当前帧图像的特征表示，并找出最相似的候选目标。

为了提高跟踪的实时性和准确性，通常会采用一些优化策略，如采用高效的特征提取技术、并行计算以及跟踪目标的模板更新机制。

优化示例：模板更新机制

# 假设已有跟踪目标的初始模板
initial_template = np.random.rand(1, 1024)

# 设置更新阈值
update_threshold = 0.8

# 模拟实时跟踪过程中的新帧输入
new_frame_feature = np.random.rand(1, 1024)

# 计算新帧与模板的相似度
similarity = cosine_similarity(initial_template, new_frame_feature)

# 判断是否需要更新模板
if similarity < update_threshold:
    # 更新模板特征
    updated_template = new_frame_feature
    # 这里可以添加更新策略，例如加权平均等
else:
    # 保持模板不变
    updated_template = initial_template

# 输出更新后的模板特征向量
print(f"Updated Template Feature: {updated_template}")

在这个优化示例中，我们设置了一个相似度阈值用于判断是否更新跟踪目标的模板。当新帧与模板的相似度低于某个阈值时，我们认为发生了目标的变化，并更新模板特征。这种方法可以提高跟踪的适应性和准确性。

实时跟踪中的相似度匹配不仅需要考虑特征提取和距离计算，还应考虑匹配策略和模板更新等多方面因素。综合这些因素，可以构建出一个既快速又准确的视觉跟踪系统。

5. 模型更新与实时显示

在现代的视觉跟踪系统中，模型的实时更新与高效显示对于保证跟踪性能和用户体验至关重要。本章将详细探讨在线学习与模型更新的策略，以及实时显示技术的实现，并分析系统集成与部署的具体案例研究。

5.1 在线学习与模型更新策略

在线学习是深度学习模型能够在运行时接收新数据并更新自身参数的一种能力。这种策略对于跟踪系统来说尤为重要，因为它能够使模型适应环境变化和目标外观的变化。

5.1.1 在线学习的概念和重要性

在线学习允许模型逐步吸收新信息，而不是一次性学习固定的数据集。在视觉跟踪中，目标对象在场景中的外观可能会发生变化，例如由于不同的光照条件、遮挡或由于目标本身具有动态属性。这些变化要求跟踪模型能够在数据到达时实时更新，以维持跟踪的准确性。

在线学习的实现通常依赖于增量学习、迁移学习和强化学习等技术。增量学习让模型能够对新数据进行微调，而不会遗忘旧知识；迁移学习使模型能适应新领域或任务；强化学习则通过不断的交互来优化策略。

5.1.2 实时更新机制的设计

实时更新机制的设计取决于模型架构和应用需求。Siamese网络作为视觉跟踪中常用的模型之一，其在线学习能力可以通过以下方式实现：

组合使用在线数据集和批量更新技术，可以实时集成新样本。
采用遗忘因子或滑动窗口技术，为模型赋予时序上的记忆能力。
应用自适应学习率策略，随着新数据的累积调整学习速率。

# 示例：在线更新Siamese网络权重
model.train_on_new_data(new_data)

5.2 实时显示技术

实时显示是用户与跟踪系统交互的重要部分，它需要在不牺牲系统性能的前提下，快速准确地呈现信息。

5.2.1 实时显示的需求与挑战

实时显示的需求通常包括低延迟和高准确率。然而，它们也面临着一系列的挑战：

延迟：图像处理和传输过程中的任何延迟都会影响显示的实时性。
资源限制 ：在硬件资源有限的情况下，确保图像处理的流畅性是一个挑战。
优化：需要在保证质量的同时进行算法和显示技术的优化。

5.2.2 高效显示技术实现

为实现高效显示，技术实现应包括：

使用GPU加速图像处理流程。
精简渲染管道，减少不必要的图像处理步骤。
实现多线程或异步处理以优化资源利用。

import cv2

# 示例：使用OpenCV实时显示图像
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if ret:
        cv2.imshow('Live Tracking', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    else:
        break
cap.release()
cv2.destroyAllWindows()