通過 Python 和 OpenCV 實現目標數量監控

今天我們將利用python+OpenCV實現對視頻中物體數量的監控，達到視頻監控的效果，比如洗煤廠的監控水龍頭的水柱顏色，當水柱為黑色的超過了一半，那么將說明過濾網發生了故障。當然不僅如此，我們看的是圖像視頻處理的技巧，你也可以將項目遷移到其他地方等，這僅僅是一個例子而已。我們知道計算機視覺中關于圖像識別有四大類任務：

。

分類-Classification：解決“是什么？”的問題，即給定一張圖片或一段視頻判斷里面包含什么類別的目標。

定位-Location：解決“在哪里？”的問題，即定位出這個目標的的位置。

檢測-Detection：解決“是什么？在哪里？”的問題，即定位出這個目標的的位置并且知道目標物是什么。

分割-Segmentation：分為實例的分割（Instance-level）和場景分割（Scene-level），解決“每一個像素屬于哪個目標物或場景”的問題。

而定位不僅需要找到物體的位置在哪里，還需要能夠統計目標的數目以及物體狀態。

除了圖像分類以外，目標檢驗要解決問題的架構難題是：

1.目標有可能經常出現在影像的任何方位；

2.目標有各種有所不同的尺寸；

3.目標有可能有各種有所不同的外形。

如果用矩形框來界定目的，則長方形有有所不同的清晰度。由于目的的清晰度有所不同，因此使用經典之作的轉動視窗+影像圖形的計劃解決問題標準化目的檢驗難題的生產成本太低。近幾年來，目標檢測算法取得了很大的突破。比較流行的算法可以分為兩類，一類是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它們是two-stage的，需要先算法產生目標候選框，也就是目標位置，然后再對候選框做分類與回歸。而另一類是Yolo，SSD這類one-stage算法，其僅僅使用一個卷積神經網絡CNN直接預測不同目標的類別與位置。第一類方法是準確度高一些，但是速度慢，但是第二類算法是速度快，但是準確性要低一些。那么今天我們的項目并不會太多的講解各種算法，而是我們的核心主題，目標數量識別。

那么我們將如何進行實現呢

多說無益，下面可以開始實現我們的項目。

首先導入相關的庫

import cv2
from PIL import Image
from PIL import ImageDraw,ImageFont
import numpy as np

接著我們需要把水龍頭流出水柱的部分提取出來，即需要把圖片預先處理成這樣，作為背景圖來用，名為3ji.jpg如圖所示：

​

然后通過圖像作差的方法找到水柱的部分，首先就需要將圖像轉彩灰度圖然后高斯模糊便于計算，當然其實不這樣也是可以的。其中2.jpg是測試的圖片，

​

代碼如下：

'''3ji是背景圖不可換，調試換另一個圖片,3ji自己用畫圖找到水的位置清除掉水柱即可，所以說攝像頭不能動'''
firstframe=cv2.imread("3ji.jpg")
firstframe= cv2.cvtColor(firstframe, cv2.COLOR_BGR2GRAY)
firstframe= cv2.GaussianBlur(firstframe, (21, 21), 0)
secondframe0=cv2.imread("2.jpg")
secondframe0= cv2.cvtColor(secondframe0, cv2.COLOR_BGR2GRAY)
secondframe= cv2.GaussianBlur(secondframe0, (21, 21), 0)
frameDelta = cv2.absdiff(firstframe, secondframe)
x,y=frameDelta.shape
print(x,y)

接著通過邊緣檢測找到水柱邊界，方便查看。

#frameDelta和canny一個是區域一個是輪廓
img = cv2.GaussianBlur(frameDelta,(3,3),0)
canny = cv2.Canny(img, 0, 100)

定義水柱總面積變量。清水面積變量，ss數組存儲像素值位置

area=0 #6687,總面積
qingarea=0
ss=[]

然后畫出輪廓，并記錄水柱處像素值得位置

#畫輪廓,存儲要識別的像素值位置，記錄在ss數組中
for i in range(x):
  for j in range(y):
   if any(frameDelta[i,j]!=[0,0,0]):#白色的時候，占位
    ss.append([i,j])

然后以原圖加輪廓圖顯示，圖片相加即可：

canny0=cv2.add(secondframe0,canny)

接著根據像素值大小判斷顏色，通過調試這個項目的閾值是50

#判斷水柱顏色,清水占多少像素
for t in ss:
 k,l=t
 area=area+1
 if canny0[k, l] > 50:
  print(canny0[k,l])
  qingarea+=1
接著統計黑色水柱占比率為多少
deta=(qingarea/area)*100
print(qingarea)
pred="清水占比為"+str(deta)+"%"
print(pred)

最后輸出圖像結果：

cv2.imwrite("pred.jpg",canny0)
canny0=cv2.imread("pred.jpg")
img_PIL = Image.fromarray(cv2.cvtColor(canny0, cv2.COLOR_BGR2RGB))
myfont = ImageFont.truetype(r'C:/Windows/Fonts/simfang.ttf', 40)
draw = ImageDraw.Draw(img_PIL)
draw.text((200, 10), pred, font=myfont, fill=(255,23,140))
img_OpenCV = cv2.cvtColor(np.asarray(img_PIL), cv2.COLOR_RGB2BGR)
cv2.imshow("frame", img_OpenCV)
key = cv2.waitKey(0)

最終達到的演示效果如圖所示：

清水占比96%，還是比較準確的

​

清水占比38%，黑水占比62%，也基本準確。

​

當然這僅僅是一個思路的問題，至少目前為止網上還沒有對物體數目去監控的項目例子，盡管并不是如此高深，但是卻是一個很好的探究方向。不僅僅是智能采礦的需要，也可以是智能農業或者智能畜牧業等方面監控的一個想法。當然大家也是可以再次基礎上修改完善代碼，完整的代碼上面已經給出。伴隨著移動互聯網、手機及各交友的平臺的較慢持續發展，照片的廣泛傳播幅度大大增強，廣泛傳播范圍內也日益擴展。比起書寫、視頻、錄像等廣泛傳播方式，照片廣泛傳播極具“點睛”視覺效果，合乎節奏貧困下人們高效的讀者方法。

當照片給人們帶給快捷的數據紀錄和共享方法的同時，照片普遍地廣泛傳播在社會大眾視線下，適當的難題也接踵而來。書寫記述，使用者可以精彩通過關鍵字搜尋提供意愿數據，而當照片記述，使用者難以必要通過搜尋照片索引到可借助數據。

科技進步的變革常常與解決的表達意見如影隨形，在使用者痛點下，亟需高科技的改進創意，此自然環境下涌現的圖像識別新技術之后變得尤為重要。由此也可見計算機視覺的日益高漲的地位。

總結

以上所述是小編給大家介紹的通過 Python 和 OpenCV 實現目標數量監控，希望對大家有所幫助！