懒人先看:
基于YOLO，RCNN系列的检测需要很多的数据集，高空抛物扔下去的东西层出不穷，若是楼层更高，扔下去的物体小之又小，是很难检测到的 所以采用了高斯混合模型的方法 这次呢 捕捉的画面更灵敏，一个像素点的移动都会被框进去基本的代码已放出，后续靠大家加一些功能了
ps: 误人子弟的地方需要靠大家指点了
import numpy as np
import cv2
from hah.Line import Draw
from collections import deque
colour = ((0, 205, 205), (154, 250, 0), (34, 34, 178), (211, 0, 148), (255, 118, 72), (137, 137, 139)) # 定义矩形颜色
cap = cv2.VideoCapture(r"G:\Code\Height_sky\video\aaa.mp4") # 参数为0是打开摄像头，文件名是打开视频
# fgbg = cv2.createBackgroundSubtractorMOG2(history=7, varThreshold=1000, detectShadows=False) # 混合高斯背景建模分离算法算法 将图像分为3-5个高斯模型，一个像素点来了，如果该像素点离任何一个高斯模型的距离大于其2倍的标准差，则为前景即运动物体，否则则是背景
fgbg = cv2.createBackgroundSubtractorKNN(history=7, dist2Threshold=1000, detectShadows=False) # 混合高斯背景建模算法
# KNN系列主要针对的是比较高层一些的楼，用聚类的特点将背景进行检测
# MOG2主要针对底层楼 分为2-5个高斯背景进行检测
# history：用于训练背景的帧数，默认为500帧，原论文中作者提出7帧效果最优，如果不手动设置learningRate，history就被用于计算当前的learningRate，此时history越大，learningRate越小，背景更新越慢；
# varThreshold/dist2Threshold：方差阈值，用于判断当前像素是前景还是背景。一般默认16，如果光照变化明显，如阳光下的水面，建议设为25,36，具体去试一下也不是很麻烦，值越大，灵敏度越低；
# 低灵敏度好出：对于视频中出现的噪音点会忽视，但是针对视频中高速运动的物体可以检测
# detectShadows：是否检测影子，设为true为检测，false为不检测，检测影子会增加程序时间复杂度，如无特殊要求，建议设为false；
pts = [deque(maxlen=30) for _ in range(99999)]
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
# print("aaaafgfffffffffff", fps)
# print("aaaaaaaaaaaaaaaaa", width, height)
fourcc = cv2.VideoWriter_fourcc(*'MJPG') # 解码器
out = cv2.VideoWriter('G:\Code\Height_sky\video2\output.avi', fourcc, fps, (width, height))
# 提取视频的频率，每1帧提取一个
frameFrequency = 1
times = 0
time_list = []
import math
def cal_ang(point_1, point_2, point_3):
"""
根据三点坐标计算夹角
:param point_1: 点1坐标
:param point_2: 点2坐标
:param point_3: 点3坐标
:return: 返回任意角的夹角值，这里只是返回点2的夹角
"""
a = math.sqrt(
(point_2[0] - point_3[0]) * (point_2[0] - point_3[0]) + (point_2[1] - point_3[1]) * (
point_2[1] - point_3[1]))
b = math.sqrt(
(point_1[0] - point_3[0]) * (point_1[0] - point_3[0]) + (point_1[1] - point_3[1]) * (
point_1[1] - point_3[1]))
c = math.sqrt(
(point_1[0] - point_2[0]) * (point_1[0] - point_2[0]) + (point_1[1] - point_2[1]) * (
point_1[1] - point_2[1]))
# A = math.degrees(math.acos((a * a - b * b - c * c) / (-2 * b * c)))
B = math.degrees(math.acos((b * b - a * a - c * c) / (-2 * a * c)))
# C = math.degrees(math.acos((c * c - a * a - b * b) / (-2 * a * b)))
return B
print(cal_ang((0, 0), (1, 1), (0, 1)))
while cap.isOpened():
times += 1
ret, frame = cap.read() # 读取图片
Draw(frame)
# print(frame)
if frame is not None:
frame[0:60, 2:280] = [0, 0, 0] # 对左上角的时间进行覆盖，避免画面出现噪音点
frame[0:60, 790:970] = [0, 0, 0]
fgmask = fgbg.apply(frame)
element = cv2.blur(frame, (3, 3))
element = cv2.boxFilter(element, -1, (2, 2), normalize=False)
element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # 形态学去噪
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, element) # 开运算去噪
_, contours, hierarchy = cv2.findContours(fgmask.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE) # 寻找前景
count = 0
for cont in contours:
Area = cv2.contourArea(cont) # 计算轮廓面积
if Area < 2: # 过滤面积小于1的形状
continue
count += 1 # 计数加一
print("{}-prospect:{}".format(count, Area), end=" ") # 打印出每个前景的面积
rect = cv2.boundingRect(cont) # 提取矩形坐标
print("x:{} y:{}".format(rect[0], rect[1])) # 打印坐标
x1 = rect[0]
x2 = rect[0] + rect[2]
y1 = rect[1]
y2 = rect[1] + rect[3]
center = ((int((x1 + x2) / 2), int((y1 + y2) / 2)))
pts[count].append(center)
print("中心点坐标:", list(center))
pts[count].append(center)
cv2.circle(frame, center, 10, (0, 0, 255))
for j in range(1, len(pts[count])):
xielv = (pts[count][j][0] - pts[count][j - 1][0]) / (pts[count][j][1] - pts[count][j - 1][1] + 1e-1)
print("aaaaaaaaaaaaaasasdasdasdasdasd", xielv)
if xielv == 0:
print("xielv", xielv)
# print("hudu", radin)
cv2.rectangle(frame, (rect[0], rect[1]), (rect[0] + rect[2], rect[1] + rect[3]),
colour[count % 6],
3) # 原图上绘制矩形
cv2.rectangle(fgmask, (rect[0], rect[1]), (rect[0] + rect[2], rect[1] + rect[3]),
(0xff, 0xff, 0xff),
3) # 黑白前景上绘制矩形
y = 10 if rect[1] < 10 else rect[1] # 防止编号到图片之外
cv2.putText(frame, "object", (rect[0], y), cv2.CHAIN_APPROX_NONE, 2, (0, 255, 0),
2) # 在前景上写上编号
cv2.line(frame, (pts[count][j - 1]), (pts[count][j]), (255, 0, 0), 4)
print("警报！高空抛物出现,出现的帧数为:", times)
time_list.append(times) # 将获取的帧数进行保存
out.write(frame)
# print("视频总帧数", times)
cv2.putText(frame, "count:", (5, 20), cv2.FONT_HERSHEY_COMPLEX, 0.6, (0, 255, 0), 1) # 显示总数
cv2.putText(frame, str(count), (75, 20), cv2.FONT_HERSHEY_COMPLEX, 0.6, (0, 255, 0), 1)
# print("帧数列表:", time_list)
cv2.imshow('frame', frame) # 在原图上标注
cv2.imshow('frame2', fgmask) # 以黑白的形式显示前景和背景
print("----------------------------")
# cv2.namedWindow("frame", cv2.WINDOW_NORMAL)
# cv2.resizeWindow("frame", 800, 600)
# cv2.namedWindow("frame2", cv2.WINDOW_NORMAL)
# cv2.resizeWindow("frame2", 800, 600)
cv2.imshow('frame', frame) # 在原图上标注
cv2.imshow('frame2', fgmask) # 以黑白的形式显示前景和背景
if cv2.waitKey(1) & 0XFF == ord("q"):
out.release() # 释放文件
cap.release()
cv2.destroyAllWindows()
break
这个是Line.py
import cv2
def Draw(frame):
cv2.line(frame, (0, 40), (960, 40), (0, 0, 0), 1) # 楼顶
cv2.line(frame, (0, 70), (960, 70), (0, 0, 0), 1) # 倒数第一楼
cv2.line(frame, (0, 90), (960, 90), (0, 0, 0), 1) # 倒数第二楼
cv2.line(frame, (0, 110), (960, 110), (0, 0, 0), 1) # 倒数第三楼
cv2.line(frame, (0, 135), (960, 135), (0, 0, 0), 1) # .
cv2.line(frame, (0, 165), (960, 165), (0, 0, 0), 1) # .
cv2.line(frame, (0, 190), (960, 190), (0, 0, 0), 1) # .
cv2.line(frame, (0, 225), (960, 225), (0, 0, 0), 1) # .
cv2.line(frame, (0, 264), (960, 265), (0, 0, 0), 1) # .
cv2.line(frame, (0, 295), (960, 295), (0, 0, 0), 1) # .
cv2.line(frame, (0, 345), (960, 345), (0, 0, 0), 1) # .
cv2.line(frame, (0, 400), (960, 400), (0, 0, 0), 1) # .
cv2.line(frame, (0, 450), (960, 450), (0, 0, 0), 1) # .
cv2.line(frame, (0, 520), (960, 520), (0, 0, 0), 1) # 倒数第十三楼
本文用的视频地址:
链接: https://pan.baidu.com/s/1-KfEvLTChuJAjxM1tWb-Ew 提取码: 2dk3 复制这段内容后打开百度网盘手机App，操作更方便哦
--来自百度网盘超级会员v1的分享
另外附一张效果图：
2372
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
