python進階學習實時目標跟蹤範例詳解

2023-08-28 18:02:12

前言

本程式主要實現了python的opencv人工智慧視覺模組的目標跟蹤功能。

專案介紹

區域性鎖定目標實時動態跟蹤（適用警方追捕，無人機鎖定拍攝等）

首先先介紹幾種AI視覺演演算法

特性：

1.BOOSTING:演演算法原理類似於Harr cascdes(AdaBoost),是一種很老的演演算法。這個演演算法速度慢並且不準。

2.MIL：比BOOSTING準一點

3.KCF：速度比BOOSTING和MIL更快，與BOOSTING和MIL一樣不能很好的處理遮擋問題。

4.CSRT:比KCF更準一些，但是速度比KCF慢

5.MedianFlow:對於快速移動的目標和外形比那花迅速的目標效果不好

6.TLD：會產生朵的false-posittives

7.MOSSE：演演算法速度非常快，但是準確率比不上KCF和CSRT，在一些追求演演算法的速度場合很適用

8.GOTURN：OpenCV中自帶的唯一一個基於深度學習的演演算法，執行短髮需要提前下載好模型檔案

分別對應的伴生的函數：

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

詳細程式碼講解

匯入cv模組

ret,frame = cap.read()

import cv2

使用csrt演演算法，參照伴生函數，並賦值給tracker

tracker = cv2.legacy.TrackerCSRT_create()

讀取視訊流

cap = cv2.VideoCapture('11.mp4')

先讀取到第一幀

ret,frame = cap.read()

使用selectROI（前景），畫框將目標框起，並賦值給bbox

bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)

初始化tracker，將上面的兩個值傳入

tracker.init(frame,bbox)

讀取每一幀

ret,frame = cap.read()

根據每一幀來更新tracker

ok,box = tracker.update(frame)

若讀取成功，就定位畫框，並跟隨

    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)

顯示視訊流

cv2.imshow('A', frame)

等待50毫秒或按空格鍵退出

    if cv2.waitKey(50) == ord(' '):
        break

釋放視訊流和釋放視窗

cap.release()
cv2.destroyAllWindows()

完整程式碼及註釋：

import cv2
tracker = cv2.legacy.TrackerCSRT_create()#使用csrt演演算法，參照伴生函數，並賦值給tracker
cap = cv2.VideoCapture('11.mp4')#讀取視訊流
ret,frame = cap.read()#先讀取第一幀
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)#使用selectROI（前景），畫框將目標框起，並賦值給bbox
tracker.init(frame,bbox)#初始化tracker，將上面的兩個值傳入
while True:
    ret,frame = cap.read()#讀取每一幀
    ok,box = tracker.update(frame)#根據每一幀來跟新tracker
    # 若讀取成功，我們就定位畫框，並跟隨
    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)#顯示視訊流
    if cv2.waitKey(50) == ord(' '):#等待50毫秒或鍵盤按空格鍵退出
        break
# 釋放視訊流，釋放視窗
cap.release()
cv2.destroyAllWindows()

結果演示

區域性全部實時動態目標跟蹤（適用夜視跟蹤，範圍性觀察等）

思路構建

1.先將實時攝像流或錄製視訊流，灰度轉化並高斯模糊

2.用二值化演演算法將流中的物體輪廓擴充

3.分別先讀到第一幀和第二幀，讓其對比

4.尋找對比後，流的輪廓位置，並開啟簡易模式

5.過濾物體的矩陣輪廓將其定位繪出

詳細程式碼講解

匯入cv模組

import cv2

將視訊流轉換並讓其高斯模糊

    gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray,(5,5),0)

二值化擴充

    _,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
    dilated = cv2.dilate(thresh,None,iterations=3)
    return dilated

讀取視訊流或實時攝像流

cap = cv2.VideoCapture('11.mp4')

讀取第一幀

ret,frame1 = cap.read()

讀取第二幀

ret,frame2 = cap.read()

判斷cap是否為開啟狀態

while cap.isOpened():

若為開啟，則第一幀與第二幀比較

diff = cv2.absdiff(frame1,frame2)
mask = filter_img(diff)

尋找比較後的物體輪廓，並開啟簡易模式

contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

使用方框將視訊流中的物體框出，得到矩陣的寬高

(x,y,w,h) = cv2.boundingRect(contour)

若矩陣的面積小於10（根據視訊流中物體的大小來定義），直接無視

if cv2.contourArea(contour) &lt; 10:

將過濾的物體的矩陣輪廓繪出（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)

將第一幀顯示

cv2.imshow('A',frame1)

將上面賦值的mask顯示

cv2.imshow('B',mask)

實現前後幀對比，並定位物體運動軌跡

1.將第二幀賦值給第一幀

frame1 = frame2

2.再將cap讀到的賦值給第二幀（）

ret,frame2 = cap.read()

等待50毫秒或者按空格結束

    if cv2.waitKey(50) == ord(' '):
        break

釋放視訊流及釋放視窗

cap.release()
cv2.destroyAllWindows()

完整程式碼及註釋：

import cv2
def filter_img(frame):
    #將視訊流轉換灰度並讓其高斯模糊
    gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray,(5,5),0)
    #二值化將其擴充
    _,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
    dilated = cv2.dilate(thresh,None,iterations=3)
    return dilated
# 讀取視訊流
cap = cv2.VideoCapture('11.mp4')
ret,frame1 = cap.read()#讀到第一幀
ret,frame2 = cap.read()#讀到第二幀
while cap.isOpened():#判斷cap是否開啟
    diff = cv2.absdiff(frame1,frame2)#若開啟，則第一幀和第二幀作比較
    mask = filter_img(diff)
    contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#尋找視訊流的輪廓，簡單模式
    #用方框將視訊流中的物體用矩形框出
    for contour in contours:
        (x,y,w,h) = cv2.boundingRect(contour)#得到矩陣的寬高
        if cv2.contourArea(contour) < 10:#若矩陣的面積小於200，就無視（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)#將過濾的物體的矩陣輪廓繪出
    # cv2.drawContours(frame1,contours,-1,(0,255,0),2)#將視訊流中的物體輪廓畫出
    cv2.imshow('A',frame1)#將第一幀顯示
    cv2.imshow('B',mask)#將mask也顯示
    frame1 = frame2#將第二幀賦值給第一幀
    ret,frame2 = cap.read()#再將cap讀到的賦值給第二幀
    if cv2.waitKey(50) == ord(' '):#等待五十毫秒或者按空格結束
        break
#銷燬cap流
cap.release()
#釋放視窗
cv2.destroyAllWindows()

結果顯示

以上就是python進階學習實時目標跟蹤範例詳解的詳細內容，更多關於python進階實時目標跟蹤的資料請關注it145.com其它相關文章！

python進階學習實時目標跟蹤範例詳解

目錄

前言

專案介紹

首先先介紹幾種AI視覺演演算法

詳細程式碼講解

完整程式碼及註釋：

區域性全部實時動態目標跟蹤（適用夜視跟蹤，範圍性觀察等）

完整程式碼及註釋：

結果顯示

熱門文章