python进阶——人工智能实时目标跟踪
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
大家好我是csdn的博主lqj_本人
哔哩哔哩欢迎关注小淼前端
本篇文章主要讲述python的人工智能目标跟踪本篇文章已经成功收录到我们python专栏中https://blog.csdn.net/lbcyllqj/category_12089557.html
https://blog.csdn.net/lbcyllqj/category_12089557.html
目录
前言
本程序主要实现了python的opencv人工智能视觉模块的目标跟踪功能。
若不知道怎么安装opencv或者使用的请看我的这篇文章曾上过csdn综合热榜的top1
python进阶——人工智能视觉识别_lqj_本人的博客-CSDN博客
项目介绍
区域性锁定目标实时动态跟踪适用 警方追捕无人机锁定拍摄等
首先先介绍几种AI视觉算法
特性
1.BOOSTING:算法原理类似于Harr cascdes(AdaBoost),是一种很老的算法。这个算法速度慢并且不准。
2.MIL比BOOSTING准一点
3.KCF速度比BOOSTING和MIL更快与BOOSTING和MIL一样不能很好的处理遮挡问题。
4.CSRT:比KCF更准一些但是速度比KCF慢
5.MedianFlow:对于快速移动的目标和外形比那花迅速的目标效果不好
6.TLD会产生朵的false-posittives
7.MOSSE算法速度非常快但是准确率比不上KCF和CSRT在一些追求算法的速度场合很适用
8.GOTURNOpenCV中自带的唯一一个基于深度学习的算法运行短发需要提前下载好模型文件
分别对应的伴生的函数
kcf:cv2.legacy.TrackerKCF_create
csrt:cv2.legacy.TrackerCSRT_create
boosting:cv2.legacy.TrackerBoosting_create
mil:cv2.legacy.TrackerMIL_create
tld:cv2.legacy.TrackerTLD_create
medianflow:cv2.legacy.TrackerMedianFlow_create
mosse:cv2.legacy.TrackerMOSSE_create详细代码讲解
导入cv模块
import cv2使用csrt算法引用伴生函数并赋值给tracker
tracker = cv2.legacy.TrackerCSRT_create()读取视频流
cap = cv2.VideoCapture('11.mp4')先读取到第一帧
ret,frame = cap.read()使用selectROI前景画框将目标框起并赋值给bbox
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)初始化tracker将上面的两个值传入
tracker.init(frame,bbox)读取每一帧
ret,frame = cap.read()根据每一帧来更新tracker
ok,box = tracker.update(frame)若读取成功就定位画框并跟随
if ok :
(x,y,w,h) = [int(v) for v in box]
cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)显示视频流
cv2.imshow('A', frame)等待50毫秒或按空格键退出
if cv2.waitKey(50) == ord(' '):
break释放视频流和释放窗口
cap.release()
cv2.destroyAllWindows()完整代码及注释
import cv2
tracker = cv2.legacy.TrackerCSRT_create()#使用csrt算法引用伴生函数并赋值给tracker
cap = cv2.VideoCapture('11.mp4')#读取视频流
ret,frame = cap.read()#先读取第一帧
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)#使用selectROI前景画框将目标框起并赋值给bbox
tracker.init(frame,bbox)#初始化tracker将上面的两个值传入
while True:
ret,frame = cap.read()#读取每一帧
ok,box = tracker.update(frame)#根据每一帧来跟新tracker
# 若读取成功我们就定位画框并跟随
if ok :
(x,y,w,h) = [int(v) for v in box]
cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)
cv2.imshow('A', frame)#显示视频流
if cv2.waitKey(50) == ord(' '):#等待50毫秒或键盘按空格键退出
break
# 释放视频流释放窗口
cap.release()
cv2.destroyAllWindows()结果演示
区域性全部实时动态目标跟踪适用夜视跟踪范围性观察等
思路构建
1.先将实时摄像流或录制视频流灰度转化并高斯模糊
2.用二值化算法将流中的物体轮廓扩充
3.分别先读到第一帧和第二帧让其对比
4.寻找对比后流的轮廓位置并开启简易模式
5.过滤物体的矩阵轮廓将其定位绘出
详细代码讲解
导入cv模块
import cv2将视频流转换并让其高斯模糊
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(5,5),0)二值化扩充
_,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
dilated = cv2.dilate(thresh,None,iterations=3)
return dilated读取视频流或实时摄像流
cap = cv2.VideoCapture('11.mp4')读取第一帧
ret,frame1 = cap.read()读取第二帧
ret,frame2 = cap.read()判断cap是否为打开状态
while cap.isOpened():若为打开则第一帧与第二帧比较
diff = cv2.absdiff(frame1,frame2)
mask = filter_img(diff)寻找比较后的物体轮廓并开启简易模式
contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)使用方框将视频流中的物体框出得到矩阵的宽高
(x,y,w,h) = cv2.boundingRect(contour)若矩阵的面积小于10根据视频流中物体的大小来定义直接无视
if cv2.contourArea(contour) < 10:将过滤的物体的矩阵轮廓绘出一定要用int整形
cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)将第一帧显示
cv2.imshow('A',frame1)将上面赋值的mask显示
cv2.imshow('B',mask)实现前后帧对比并定位物体运动轨迹
1.将第二帧赋值给第一帧
frame1 = frame22.再将cap读到的赋值给第二帧
ret,frame2 = cap.read()等待50毫秒或者按空格结束
if cv2.waitKey(50) == ord(' '):
break释放视频流及释放窗口
cap.release()
cv2.destroyAllWindows()完整代码及注释
import cv2
def filter_img(frame):
#将视频流转换灰度并让其高斯模糊
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(5,5),0)
#二值化将其扩充
_,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
dilated = cv2.dilate(thresh,None,iterations=3)
return dilated
# 读取视频流
cap = cv2.VideoCapture('11.mp4')
ret,frame1 = cap.read()#读到第一帧
ret,frame2 = cap.read()#读到第二帧
while cap.isOpened():#判断cap是否打开
diff = cv2.absdiff(frame1,frame2)#若打开则第一帧和第二帧作比较
mask = filter_img(diff)
contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#寻找视频流的轮廓简单模式
#用方框将视频流中的物体用矩形框出
for contour in contours:
(x,y,w,h) = cv2.boundingRect(contour)#得到矩阵的宽高
if cv2.contourArea(contour) < 10:#若矩阵的面积小于200就无视太小了
continue
cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)#将过滤的物体的矩阵轮廓绘出
# cv2.drawContours(frame1,contours,-1,(0,255,0),2)#将视频流中的物体轮廓画出
cv2.imshow('A',frame1)#将第一帧显示
cv2.imshow('B',mask)#将mask也显示
frame1 = frame2#将第二帧赋值给第一帧
ret,frame2 = cap.read()#再将cap读到的赋值给第二帧
if cv2.waitKey(50) == ord(' '):#等待五十毫秒或者按空格结束
break
#销毁cap流
cap.release()
#释放窗口
cv2.destroyAllWindows()结果显示
