Python如何檢測(cè)動(dòng)態(tài)物體顏色

小編給大家分享一下Python如何檢測(cè)動(dòng)態(tài)物體顏色，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

引言

物體檢測(cè)，是一種基于目的幾何學(xué)和統(tǒng)計(jì)資料特點(diǎn)的影像拆分，它將目的的拆分和辨識(shí)，其準(zhǔn)確度和實(shí)時(shí)性是整個(gè)該系統(tǒng)的一項(xiàng)最重要戰(zhàn)斗能力。特別是在是在簡(jiǎn)單橋段中的，必須對(duì)多個(gè)目的展開實(shí)時(shí)處理時(shí)，目的系統(tǒng)會(huì)萃取和辨識(shí)就變得尤其最重要。

隨著計(jì)算機(jī)的持續(xù)發(fā)展和計(jì)算機(jī)系統(tǒng)感官基本原理的應(yīng)用，建模數(shù)據(jù)處理新技術(shù)對(duì)目的展開動(dòng)態(tài)追蹤研究工作更加受歡迎，對(duì)目的展開靜態(tài)動(dòng)態(tài)追蹤整合在信息化公交系統(tǒng)、人工智能監(jiān)視該系統(tǒng)、軍事戰(zhàn)略目的檢驗(yàn)及藥學(xué)導(dǎo)航系統(tǒng)手術(shù)后中的手術(shù)器械整合等各個(gè)方面具備普遍的應(yīng)用于商業(yè)價(jià)值。

開始前的準(zhǔn)備

而這里顯然我們沒必要做到如此高深的地步，而是借助python和OpenCV通過圖片相減的方法找到動(dòng)態(tài)物體，然后根據(jù)像素值的大小判斷其中的均值顏色。

import cv2
import numpy as np
import collections
import time

下面是讀取攝像頭：

camera = cv2.VideoCapture(0)

做一些開始前的準(zhǔn)備，包括循環(huán)次數(shù)，攝像頭內(nèi)容讀入，保存上一幀的圖片作為對(duì)比作差找到動(dòng)態(tài)物體，然后定義框架的長(zhǎng)和寬。

firstframe = None
a=0
ret0,frame0 = camera.read()
cv2.imwrite("1.jpg",frame0)
x, y, w, h = 10,10,100,100

下面是定義顏色的部分代碼，比如定義的黑色，可以參照hsv表進(jìn)行拓展,如圖所示

然后可以知道黑色的最低值為0,0,0，最大值為180，255,46然后建立數(shù)組存儲(chǔ)顏色數(shù)據(jù)，通過字典達(dá)到映射效果。

# 處理圖片
def get_color(frame):
  print('go in get_color')
  hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
  maxsum = -100
  color = None
  color_dict = getColorList()
  for d in color_dict:
    mask = cv2.inRange(frame, color_dict[d][0], color_dict[d][1])
    cv2.imwrite(d + '.jpg', mask)
    binary = cv2.threshold(mask, 127, 255, cv2.THRESH_BINARY)[1]
    binary = cv2.dilate(binary, None, iterations=2)
    img, cnts, hiera = cv2.findContours(binary.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    sum = 0
    for c in cnts:
      sum += cv2.contourArea(c)
    if sum > maxsum:
      maxsum = sum
      color = d 
return color

圖像處理

緊接著是圖像處理，其中包括轉(zhuǎn)為灰度圖，讀取顏色字典，然后腐化膨脹操作。

# 處理圖片
def get_color(frame):
  print('go in get_color')
  hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
  maxsum = -100
  color = None
  color_dict = getColorList()
  for d in color_dict:
    mask = cv2.inRange(frame, color_dict[d][0], color_dict[d][1])
    cv2.imwrite(d + '.jpg', mask)
    binary = cv2.threshold(mask, 127, 255, cv2.THRESH_BINARY)[1]
    binary = cv2.dilate(binary, None, iterations=2)
    img, cnts, hiera = cv2.findContours(binary.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    sum = 0
    for c in cnts:
      sum += cv2.contourArea(c)
    if sum > maxsum:
      maxsum = sum
      color = d 
return color

圖片相減的辦法

然后是圖片相減找到動(dòng)態(tài)物體的代碼，每循環(huán)5次保存一次圖片，時(shí)間是很短的不用擔(dān)心。然后通過absdiff函數(shù)對(duì)圖片像素值作差找到動(dòng)態(tài)物體，接著講像素值相減非零的部分用矩形框圈出來。

while True:
  ret, frame = camera.read()
  if not ret:
    break
  gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  gray = cv2.GaussianBlur(gray, (21, 21), 0)
  a=a+1
  if a%5==0:
    cv2.imwrite("1.jpg", frame)
  firstframe=cv2.imread("1.jpg")
  firstframe= cv2.cvtColor(firstframe, cv2.COLOR_BGR2GRAY)
  firstframe= cv2.GaussianBlur(firstframe, (21, 21), 0)
  frameDelta = cv2.absdiff(firstframe, gray)
  thresh = cv2.threshold(frameDelta, 25, 255, cv2.THRESH_BINARY)[1]
  thresh = cv2.dilate(thresh, None, iterations=2)
  # cnts= cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

  x, y, w, h = cv2.boundingRect(thresh)
  frame = cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
  cv2.imshow("frame", frame)

因?yàn)楸４鎴D片是每隔5次進(jìn)行一次，在某個(gè)瞬間可能保存的圖片不存在等原因，所以需要通過try的方法避免錯(cuò)誤，最終的演示效果文末有。

 try:
    ret0, frame0 = camera.read()
    cropped = frame0[y:y+h,x:x+w ] # 裁剪坐標(biāo)為[y0:y1, x0:x1]
    cv2.imwrite("3.jpg", cropped)

    frame1 = cv2.imread(filename)
    print(get_color(frame1))
    # plt.title(label[model.predict_classes(image)], fontproperties=myfont)
    imgzi = cv2.putText(frame, get_color(frame1), (30, 30), cv2.FONT_HERSHEY_COMPLEX, 1.2,
              (255, 255, 255), 2)
    cv2.imwrite("2.jpg", imgzi)
    cv2.imshow("frame", cv2.imread("2.jpg"))
  except:
    pass

  key = cv2.waitKey(1) & 0xFF

  if key == ord("q"):
    break

camera.release()

其最終演示效果如圖所示：

至此，動(dòng)態(tài)物體檢測(cè)代碼基本實(shí)現(xiàn)。其中的拓展功能可以按照自己的需求進(jìn)行修改、

目標(biāo)檢測(cè)的發(fā)展

下面就將目標(biāo)檢測(cè)發(fā)展做個(gè)簡(jiǎn)單介紹，感興趣的朋友可以多多學(xué)習(xí)。

目標(biāo)檢驗(yàn)對(duì)于生物來說非常艱難，通過對(duì)照片中的有所不同色調(diào)組件的感官很更容易整合并歸類出有其中目標(biāo)物體，但對(duì)于計(jì)算機(jī)系統(tǒng)來說，面臨的是像素分辨率行列式，難以從影像中的必要獲得貓和狗這樣的基本概念并整合其方位，再行再加通常多個(gè)物體和凌亂的復(fù)雜背景夾雜在一同，目標(biāo)檢驗(yàn)更為艱難。但這難不倒生物學(xué)家們，在現(xiàn)代感官各個(gè)領(lǐng)域，目的檢驗(yàn)就是一個(gè)十分受歡迎的研究工作朝向，一些特定目的的檢驗(yàn)，比如圖片檢驗(yàn)和天橋檢驗(yàn)早已有十分成熟期的新技術(shù)了。一般來說的目標(biāo)檢驗(yàn)也有過很多的試圖，但是視覺效果常常不錯(cuò)?，F(xiàn)代的目的檢驗(yàn)一般用于轉(zhuǎn)動(dòng)視窗的構(gòu)建，主要還包括三個(gè)方法：

借助有所不同大小的轉(zhuǎn)動(dòng)視窗框住圖中的某一部分作為候選區(qū)域內(nèi)；

萃取候選區(qū)域內(nèi)涉及的感官特點(diǎn)。比如圖片檢驗(yàn)常見的Harr特點(diǎn)；天橋檢驗(yàn)和一般來說目的檢驗(yàn)常見的HOG特點(diǎn)等；

借助決策樹展開辨識(shí)，比如常見的SVM建模。

目的檢驗(yàn)的第一步是要做到區(qū)域提名（region Proposal），也就是找到有可能的有興趣區(qū)域內(nèi)（region In Risk, ROI）。區(qū)域提名類似透鏡字符識(shí)別（OCR）各個(gè)領(lǐng)域的重復(fù)，OCR重復(fù)常見過重復(fù)方式，非常簡(jiǎn)單說道就是盡可能磨碎到小的相連（比如小的筆劃之類），然后再行根據(jù)鄰接塊的一些親緣特點(diǎn)展開拆分。但目的檢驗(yàn)的單純比起OCR各個(gè)領(lǐng)域千差萬別，而且三維點(diǎn)狀，大小不等，所以一定高度上可以說道區(qū)域提名是比OCR重復(fù)更難的一個(gè)難題。

區(qū)域提名有可能的方式有：

一、轉(zhuǎn)動(dòng)視窗。轉(zhuǎn)動(dòng)視窗事物上就是窮舉法，借助有所不同的時(shí)間尺度和長(zhǎng)方形比把所有有可能的大大小小的塊都窮舉出來，然后送來去辨識(shí)，辨識(shí)出來機(jī)率大的就留下。很顯著，這樣的方式復(fù)雜性太低，造成了很多的校驗(yàn)候選區(qū)域內(nèi)，在現(xiàn)實(shí)生活中不不切實(shí)際。

二、比賽規(guī)則塊。在窮舉法的為基礎(chǔ)展開了一些剪枝，只搭配相同的尺寸和長(zhǎng)方形比。這在一些特定的應(yīng)用于橋段是很有效地的，比如照片搜題App小猿搜題中的的簡(jiǎn)化字檢驗(yàn)，因?yàn)楹?jiǎn)化字方方正正，長(zhǎng)方形比多數(shù)較為完全一致，因此用比賽規(guī)則塊做到區(qū)域內(nèi)獎(jiǎng)提名是一種較為適合的自由選擇。但是對(duì)于一般來說的目的檢驗(yàn)來說，比賽規(guī)則塊仍然必須采訪很多的方位，復(fù)雜性低。

三、特異性搜尋。從神經(jīng)網(wǎng)絡(luò)的視角來說，后面的方式解任是不俗了，但是精確度不錯(cuò)，所以難題的架構(gòu)在于如何有效除去校驗(yàn)候選區(qū)域內(nèi)。只不過校驗(yàn)候選區(qū)域內(nèi)多數(shù)是再次發(fā)生了重合，特異性搜尋借助這一點(diǎn)，自底向上拆分鄰接的重合區(qū)域內(nèi)，從而增加校驗(yàn)。

看完了這篇文章，相信你對(duì)“Python如何檢測(cè)動(dòng)態(tài)物體顏色”有了一定的了解，如果想了解更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！