python中import cv2遇到的错误及安装方法_利用OpenCV,Python和Ubidots构建行人计数器程序（附代码&解析）...

作者：Jose Garcia

翻译：吴振东

校对：张一豪

本文约4000字，建议阅读14分钟。

本文将利用OpenCV，Python和Ubidots来编写一个行人计数器程序，并对代码进行了较为详细的讲解。

数字图像处理(DIP)技术目前发展非常迅速，这在很大程度上要归功于开发人员可以访问云来运用机器学习技术。通过云处理数字图像可以绕过任何专用硬件的要求，这使得使用DIP成为了大家的首选。作为处理图像最经济和最通用的方法，DIP已经被广泛应用。这种其中最常见的当属行人检测和计数 - 这对于机场、火车站、零售店体育馆、公共活动和博物馆来说都是一项非常有用的指标。

现有的传统行人计数技术不仅价格昂贵，而且它们所生成的数据通常与专有系统相关联，这些系统限制了数据提取和KPI的优化选择。相反，使用你的个人相机和SBC的嵌入式DIP不仅可以节省时间和金钱，还可以根据你所关注的KPI来自由定制应用程序，并从云中获取独特的领悟。

使用云来启用DIP IoT(物联网)应用程序可以增强整体的功能性。随着可视化、报告、警报和交叉引用外部数据源(如天气、实时供应商定价或业务管理系统)等功能的增强，DIP为开发人员提供了他们所需的自由空间。

想象一下一家摆着冰淇淋冰柜的杂货店：他们想要追踪统计经过店门口的人数，顾客所选择的产品，以及门被打开的次数和冰柜的内部温度。 从这几个数据点中，零售商可以运行相关性分析，以更好地了解和优化他们的产品定价和冰箱的整体能耗。

为了开启你的数字图像处理应用程序开发工作，Ubidots运用OpenCV和Python来创建了一套人员计数系统教程，用于分析统计给定区域中的人数。其实不仅是统计人数这样简单，添加Ubidots IoT开发平台的资源还可以扩展你的应用程序。在这里，你可以看到如何实现利用Ubidots来构建的实时人数统计仪表板。

在本文中，我们将介绍如何使用OpenCV和Ubidots来实现简单的DIP叠加并创建行人计数器。此示例最适用于任何基于Linux的发行版系统，也适用于Raspberry Pi，Orange Pi或类似的嵌入式系统。

有关其他集成的查询，请与Ubidots支持中心取得联系，以便来了解你的企业如何使用这项增值技术。

目录：

1. 应用需求
2. 编码 – 8个小节
3. 测试
4. 创造你自己的仪表板
5. 结果展示

1、应用需求

• 任何带有Ubuntu衍生版本的嵌入式Linux
• 操作系统中安装了Python 3或更高版本
• OS中安装了OpenCV 3.0或更高版本。如果使用Ubuntu或其衍生产品，请按照官方安装教程或运行以下命令：

pip install opencv-contrib-python

当你成功安装Python 3和OpenCV时，你可以通过这段简单的代码来进行检验(首先在你的terminal里输入‘python’)

import cv2 cv2.__version__

你应该在屏幕上看到你所安装的OpenCV版本：

• 按照官方操作指南来安装Numpy，或者运行下面的命令

pip install numpy

• 安装imutils

pip install imutils

• 安装requests

pip install requests

2、编码

可以在这一章节找到检测和发送数据的整个例程。为了更好地解释这段代码，我们将其分为八个部分，以便更好地解释代码的各个方面，让你更容易理解。

第1节：

from imutils.object_detectionimport non_max_suppressionimport numpy as npimport imutilsimport cv2import requestsimport timeimport argparse URL_EDUCATIONAL = "http://things.ubidots.com"URL_INDUSTRIAL = "http://industrial.api.ubidots.com"INDUSTRIAL_USER = True # Set this to False if you are an educational userTOKEN = "...." # Put here your Ubidots TOKENDEVICE = "detector" # Device where will be stored the resultVARIABLE = "people" # Variable where will be stored the result # Opencv pre-trained SVM with HOG people featuresHOGCV = cv2.HOGDescriptor()HOGCV.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())

在第1节中，我们导入必要的库来实现我们的探测器，imutils是一个有用的DIP库工具，让我们从结果中执行不同的转换，cv2是我们的OpenCV Python包装器，requests 可以通过HTTP发送数据/结果到Ubidots，argparse让我们从脚本中的命令终端来读取命令。

重要提示：不要忘记使用您的Ubidots帐户TOKEN更改这段代码，如果是学生用户，请务必将INDUSTRIAL_USER设置为FALSE。

导入库后，我们将对方向梯度直方图(Histogram of Oriented Gradient)进行初始化。方向梯度直方图的简称是HOG，它是最受欢迎的对象检测技术之一，已经在多个应用程序中实现并取得成功。OpenCV已经以高效的方式将HOG算法与支持向量机这种用于预测目的的经典机器学习技术(SVM)相结合，成为了一笔我们可以利用的财富。

这项声明：

cv2.HOGDescriptor_getDefaultPeopleDetector()调用了预先训练的模型，用于OpenCV的行人检测，并提供支持向量机特征的评估功能。

第2节：

def detector(image): ''' @image is a numpy array '''  image = imutils.resize(image, width=min(400, image.shape[1])) clone = image.copy()  (rects, weights) = HOGCV.detectMultiScale(image, winStride=(8, 8), padding=(32, 32), scale=1.05)  # Applies non-max supression from imutils package to kick-off overlapped # boxes rects = np.array([[x, y, x + w, y + h] for (x, y, w, h) in rects]) result = non_max_suppression(rects, probs=None, overlapThresh=0.65)  return result

detector()函数是“神奇”诞生的地方，它可以接收分成三个颜色通道的RGB图像。为了避免出现性能问题，我们用imutils来调整图像大小，再从HOG对象调用detectMultiScale()方法。然后，检测多尺度方法可以让我们使用SVM的分类结果去分析图像并知晓人是否存在。关于此方法的参数介绍超出了本教程的范围，但如果你想了解更多信息，请参阅官方OpenCV文档或查看Adrian Rosebrock的精彩解释。

HOG分析将会生成一些捕获框(针对检测到的对象)，但有时这些框的重叠会导致误报或检测错误。为了避免这种混淆，我们将使用imutils库中的非最大值抑制实用程序来删除重叠的框 - 如下所示：

图片转载自https://www.pyimagesearch.com

第3节：

def localDetect(image_path): result = [] image = cv2.imread(image_path) if len(image) <= 0: print("[ERROR] could not read your local image") return result print("[INFO] Detecting people") result = detector(image)  # shows the result for (xA, yA, xB, yB) in result: cv2.rectangle(image, (xA, yA), (xB, yB), (0, 255, 0), 2)  cv2.imshow("result