购物网站数据分析,wordpress首页显示当前时间,sem培训班学费哪个好,海南在线新闻中心OpenCV是一个巨大的开源库#xff0c;广泛用于计算机视觉#xff0c;人工智能和图像处理领域。它在现实世界中的典型应用是人脸识别#xff0c;物体检测#xff0c;人类活动识别#xff0c;物体跟踪等。现在#xff0c;假设我们只需要从整个输入帧中检测到一个对象。因此…OpenCV是一个巨大的开源库广泛用于计算机视觉人工智能和图像处理领域。它在现实世界中的典型应用是人脸识别物体检测人类活动识别物体跟踪等。现在假设我们只需要从整个输入帧中检测到一个对象。因此代替处理整个框架如果可以在框架中定义一个子区域并将其视为要应用处理的新框架该怎么办。我们要完成一下三个步骤• 定义兴趣区• 在ROI中检测轮廓• 阈值检测轮廓轮廓线什么是ROI简而言之我们感兴趣的对象所在的帧内的子区域称为感兴趣区域(ROI)。我们如何定义ROI在输入帧中定义ROI的过程称为ROI分割。在“ ROI细分”中(此处)我们选择框架中的特定区域并以矩形方法提供其尺寸以便它将在框架上绘制矩形的ROI。(输出)蓝色矩形覆盖的区域是我们的投资回报率现在如果您也想绑定感兴趣的对象那么我们可以通过在ROI中找到轮廓来实现。什么是轮廓轮廓线是 表示或说是限制对象形状的轮廓。如何在框架中找到轮廓对我而言在将ROI框架设为阈值后找到轮廓效果最佳。因此要找到轮廓手上的问题是-什么是阈值阈值不过是图像分割的一种简单形式。这是将灰度或rgb图像转换为二进制图像的过程。例如(这是RGB帧)(这是二进制阈值帧)因此在对rgb帧进行阈值处理后程序很容易找到轮廓因为由于ROI中感兴趣对象的颜色将是黑色(在简单的二进制脱粒中)或白色(在如上所述的反向二进制脱粒中)因此分割(将背景与前景即我们的对象分开)将很容易完成。在对框架进行阈值处理并检测到轮廓之后我们应用凸包技术对围绕对象点的紧密拟合凸边界进行设置。实施此步骤后框架应如下所示-我们可以做的另一件事是我们可以遮盖ROI以仅显示被检测到的轮廓本身覆盖的对象。再次-什么是图像MASK图像MASK是隐藏图像的某些部分并显示某些部分的过程。这是图像编辑的非破坏性过程。在大多数情况下它使您可以在以后根据需要调整和调整遮罩。通常它是一种有效且更具创意的图像处理方式。因此基本上在这里我们将掩盖ROI的背景。为此首先我们将修复ROI的背景。然后在固定背景之后我们将从框架中减去背景并用wewant背景(这里是一个简单的黑色框架)替换它。实施上述技术我们应该得到如下输出(背景被遮罩以仅捕获对象)这是所说明技术的理想实现的完整代码。import cv2import numpy as npimport copyimport mathx0.5 # start point/total widthy0.8 # start point/total widththreshold 60 # BINARY thresholdblurValue 7 # GaussianBlur parameterbgSubThreshold 50learningRate 0# variablesisBgCaptured 0 # whether the background captureddef removeBG(frame): #Subtracting the background fgmask bgModel.apply(frame,learningRatelearningRate) kernel np.ones((3, 3), np.uint8) fgmask cv2.erode(fgmask, kernel, iterations1) res cv2.bitwise_and(frame, frame, maskfgmask) return res# Cameracamera cv2.VideoCapture(0)camera.set(10,200)while camera.isOpened(): ret, frame camera.read() frame cv2.bilateralFilter(frame, 5, 50, 100) # smoothening filter frame cv2.flip(frame, 1) # flip the frame horizontally cv2.rectangle(frame, (int(x * frame.shape[1]), 0), (frame.shape[1], int(y * frame.shape[0])), (255, 0, 0), 2) #drawing ROI cv2.imshow(original, frame) # Main operation if isBgCaptured 1: # this part wont run until background captured img removeBG(frame) img img[0:int(y * frame.shape[0]), int(x * frame.shape[1]):frame.shape[1]] # clip the ROI cv2.imshow(mask, img) # convert the image into binary image gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (blurValue, blurValue), 0) cv2.imshow(blur, blur) ret, thresh cv2.threshold(blur, threshold, 255, cv2.THRESH_BINARY) #thresholding the frame cv2.imshow(ori, thresh) # get the coutours thresh1 copy.deepcopy(thresh) contours, hierarchy cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) #detecting contours length len(contours) maxArea -1 if length 0: for i in range(length): # find the biggest contour (according to area) temp contours[i] area cv2.contourArea(temp) if area maxArea: maxArea area ci i res contours[ci] hull cv2.convexHull(res) #applying convex hull technique drawing np.zeros(img.shape, np.uint8) cv2.drawContours(drawing, [res], 0, (0, 255, 0), 2) #drawing contours cv2.drawContours(drawing, [hull], 0, (0, 0, 255), 3) #drawing convex hull cv2.imshow(output, drawing) # Keyboard OP k cv2.waitKey(10) if k 27: camera.release() cv2.destroyAllWindows() break elif k ord(b): # press b to capture the background bgModel cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold) isBgCaptured 1 print( Background Captured) elif k ord(r): # press r to reset the background bgModel None isBgCaptured 0 print (Reset BackGround)
