您好,登錄后才能下訂單哦!
這篇“Python運動檢測怎么應用”文章的知識點大部分人都不太理解,所以小編給大家總結了以下內容,內容詳細,步驟清晰,具有一定的借鑒價值,希望大家閱讀完這篇文章能有所收獲,下面我們一起來看看這篇“Python運動檢測怎么應用”文章吧。
根據物理學原理,當一個物體靜止不動且沒有速度時,它就被認為處于靜止狀態;而恰恰相反的是,當一物體沒有完全靜止且在某個方向(無論是左右、前后或上下)上有一定的運動或速度時,它都被認為處于運動狀態。在本文中,我們將嘗試檢測出物體的運行情況。
目前,運動檢測在現實生活中已經存在大量實現或應用,這充分證明其巨大的應用價值。其中,使用網絡攝像頭(我們將在本文中實現)作為安全警衛進行在線考試監考等是最典型的應用。
在本文中,我們將嘗試實現一個腳本。通過該腳本,我們將使用臺式機或筆記本電腦上安裝的網絡攝像頭實現對物體運動的檢測。我們的想法是,我們將拍攝兩幀視頻,并試圖找出它們之間的差異。如果兩幀之間存在某種差異,那么很明顯,相機前面的物體存在某種移動,這就產生了差異。
在著手實現代碼之前,讓我們先看看我們將在代碼中使用的一些模塊或庫,這些模塊或庫用于操作網絡攝像頭進行運動檢測。正如我們所討論的,這些開源庫對于Python聲譽的傳播起著重要作用。讓我們看看本文示例項目中需要的開源庫:
OpenCV
Pandas
上述兩個庫OpenCV和Pandas都是純粹基于Python的免費開源庫,我們將通過Python語言的Python3版本來使用它們。
OpenCV是一個非常著名的開源庫,可以與許多編程語言(如C++、Python等)一起使用,專門應用于處理圖像和視頻程序開發。通過與Python的開源庫Pandas或者NumPy庫集成應用,我們可以充分挖掘出OpenCV的功能。
Pandas是一個開放源碼的Python庫,為數據分析提供了豐富的內置工具;因此,在數據科學和數據分析領域得到了廣泛的應用。在Pandas中提供了數據結構形式DataFrame數據幀,這種結構對于將表格數據操作和存儲到二維數據結構中提供了極方便的支持。
上述兩個模塊都不是Python內置的,我們必須在使用前先安裝它們。除此之外,我們還將在項目中使用另外兩個模塊。
Python日期時間(DateTime)模塊
Python時間(Time)模塊
這兩個模塊都內置在Python中,以后無需安裝。這些模塊分別用來處理與日期和時間相關的功能。
到目前為止,我們已經看到了我們將在代碼中使用的庫。接下來,讓我們從視頻只是許多靜態圖像或幀的組合這一假定開始,然后使用所有這些幀的組合來創建一個視頻。
在本節中,我們將首先導入所有庫,如Pandas和OpenCV。然后,我們從DateTime模塊導入time和DateTime函數。
#導入Pandas庫 import Pandas as panda # 導入OpenCV庫 import cv2 #導入時間模塊 import time #從datetime 模塊導入datetime 函數 from datetime import datetime
在本節中,我們要初始化一些變量,并將在代碼中進一步使用這些變量。首先,我們將初始狀態定義為“None”,然后通過另一個變量motionTrackList來存儲跟蹤的運動。
此外,我們還定義了一個列表“motionTime”,用于存儲發現運動的時間,并使用Panda的模塊初始化數據幀列表。
# 對于初始幀,以變量initialState的形式將初始狀態指定為None initialState = None # 幀中檢測到任何運動時存儲所有軌跡的列表 motionTrackList= [ None, None ] # 一個新的“時間”列表,用于存儲檢測到移動時的時間 motionTime = [] # 使用帶有初始列和最終列的Panda庫初始化數據幀變量“DataFrame” dataFrame = panda.DataFrame(columns = ["Initial", "Final"])
在本節中,我們將實現本文示例項目中最關鍵的運動檢測步驟。下面,讓我們分步驟進行解說:
首先,我們將開始使用cv2模塊捕獲視頻,并將其存儲在視頻變量中。
然后,我們將使用無限while循環從視頻中捕獲每一幀。
接下來,將使用read()方法讀取每個幀,并將它們存儲到各自的變量中。
我們定義了一個變量var_motion,并將其初始化為零。
我們使用cv2函數cvtColor和GaussianBlur創建另外兩個變量grayImage和grayFrame,以找到運動中的變化。
如果我們的initialState為None,則我們將當前grayFrame指定為initialState;否則,使用“continue”關鍵字跳過后面代碼的執行。
在后面代碼中,我們計算在當前迭代中創建的初始幀和灰度幀grayscale之間的差異。
然后,我們將使用cv2閾值和dilate函數突出顯示初始幀和當前幀之間的變化。
我們將從當前圖像或幀中的運動對象中找到輪廓,并通過使用rectangle函數在其周圍創建綠色邊界來指示運動對象。
在此之后,我們將把當前檢測到的元素添加到列表變量motionTrackList。
到目前為止,我們已經通過使用imshow方法顯示出如灰度和原始幀等所有的關鍵幀。
此外,我們還使用cv2模塊的witkey()方法來結束進程。程序中,我們選擇使用按下鍵盤上的'm'鍵來結束我們的進程。
# 使用cv2模塊啟動網絡攝像頭以捕獲視頻 video = cv2.VideoCapture(0) # 使用無限循環從視頻中捕獲幀 while True: # 使用read功能從視頻中讀取每個圖像或幀 check, cur_frame = video.read() #將'motion'變量定義為等于零的初始幀 var_motion = 0 # 從彩色圖像創建灰色幀 gray_image = cv2.cvtColor(cur_frame, cv2.COLOR_BGR2GRAY) # 從灰度圖像中使用GaussianBlur函數找到變化部分 gray_frame = cv2.GaussianBlur(gray_image, (21, 21), 0) # 在第一次迭代時進行條件檢查 # 如果為None,則把grayFrame賦值給變量initalState if initialState is None: initialState = gray_frame continue # 計算靜態(或初始)幀與我們創建的灰色幀之間的差異 differ_frame = cv2.absdiff(initialState, gray_frame) # 靜態或初始背景與當前灰色幀之間的變化將突出顯示 thresh_frame = cv2.threshold(differ_frame, 30, 255, cv2.THRESH_BINARY)[1] thresh_frame = cv2.dilate(thresh_frame, None, iterations = 2) #對于幀中的移動對象,查找輪廓 cont,_ = cv2.findContours(thresh_frame.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cur in cont: if cv2.contourArea(cur) < 10000: continue var_motion = 1 (cur_x, cur_y,cur_w, cur_h) = cv2.boundingRect(cur) # 在移動對象周圍創建一個綠色矩形 cv2.rectangle(cur_frame, (cur_x, cur_y), (cur_x + cur_w, cur_y + cur_h), (0, 255, 0), 3) # 從幀中添加運動狀態 motionTrackList.append(var_motion) motionTrackList = motionTrackList[-2:] # 添加運動的開始時間 if motionTrackList[-1] == 1 and motionTrackList[-2] == 0: motionTime.append(datetime.now()) # 添加運動的結束時間 if motionTrackList[-1] == 0 and motionTrackList[-2] == 1: motionTime.append(datetime.now()) # 在顯示捕獲圖像的灰度級中 cv2.imshow("The image captured in the Gray Frame is shown below: ", gray_frame) # 顯示初始靜態幀和當前幀之間的差異 cv2.imshow("Difference between theinital static frame and the current frame: ", differ_frame) # 在框架屏幕上顯示視頻中的黑白圖像 cv2.imshow("Threshold Frame created from the PC or Laptop Webcam is: ", thresh_frame) #通過彩色框顯示物體的輪廓 cv2.imshow("From the PC or Laptop webcam, this is one example of the Colour Frame:", cur_frame) # 創建處于等待狀態的鍵盤按鍵 wait_key = cv2.waitKey(1) # 按下'm'鍵時,結束整個進程執行 if wait_key == ord('m'): # 當屏幕上有東西移動時,將運動變量值添加到motiontime列表中 if var_motion == 1: motionTime.append(datetime.now()) break
在結束循環體執行后,我們將從dataFrame和motionTime列表中添加數據到CSV文件中,最后關閉視頻。這一部分代碼的實現如下所示:
# 最后,我們在數據幀中添加運動時間 for a in range(0, len(motionTime), 2): dataFrame = dataFrame.append({"Initial" : time[a], "Final" : motionTime[a + 1]}, ignore_index = True) # 創建CSV文件記錄下所有運動信息 dataFrame.to_csv("EachMovement.csv") # 釋放視頻內存 video.release() #現在,在openCV的幫助下關閉或銷毀所有打開的窗口 cv2.destroyAllWindows()
至此,我們已經成功地創建完所有代碼。現在,讓我們再次歸納一下整個過程。
首先,我們使用設備的網絡攝像頭捕捉視頻,然后將輸入視頻的初始幀作為參考,并不時檢查下一幀。如果發現與第一幀不同的幀,則說明存在運動。該信息將被標記在綠色矩形中。
現在,讓我們把上面所有代碼片斷連接到一起,如下所示:
#導入Pandas庫 import Pandas as panda # 導入OpenCV庫 import cv2 #導入時間模塊 import time #從datetime 模塊導入datetime 函數 from datetime import datetime # 對于初始幀,以變量initialState的形式將初始狀態指定為None initialState = None # 幀中檢測到任何運動時存儲所有軌跡的列表 motionTrackList= [ None, None ] # 一個新的“時間”列表,用于存儲檢測到移動時的時間 motionTime = [] # 使用帶有初始列和最終列的Panda庫初始化數據幀變量“DataFrame” dataFrame = panda.DataFrame(columns = ["Initial", "Final"]) # 使用cv2模塊啟動網絡攝像頭以捕獲視頻 video = cv2.VideoCapture(0) # 使用無限循環從視頻中捕獲幀 while True: # 使用read功能從視頻中讀取每個圖像或幀 check, cur_frame = video.read() #將'motion'變量定義為等于零的初始幀 var_motion = 0 # 從彩色圖像創建灰色幀 gray_image = cv2.cvtColor(cur_frame, cv2.COLOR_BGR2GRAY) # 從灰度圖像中使用GaussianBlur函數找到變化部分 gray_frame = cv2.GaussianBlur(gray_image, (21, 21), 0) # 在第一次迭代時進行條件檢查 # 如果為None,則把grayFrame賦值給變量initalState if initialState is None: initialState = gray_frame continue # 計算靜態(或初始)幀與我們創建的灰色幀之間的差異 differ_frame = cv2.absdiff(initialState, gray_frame) # 靜態或初始背景與當前灰色幀之間的變化將突出顯示 thresh_frame = cv2.threshold(differ_frame, 30, 255, cv2.THRESH_BINARY)[1] thresh_frame = cv2.dilate(thresh_frame, None, iterations = 2) #對于幀中的移動對象,查找輪廓 cont,_ = cv2.findContours(thresh_frame.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cur in cont: if cv2.contourArea(cur) < 10000: continue var_motion = 1 (cur_x, cur_y,cur_w, cur_h) = cv2.boundingRect(cur) # 在移動對象周圍創建一個綠色矩形 cv2.rectangle(cur_frame, (cur_x, cur_y), (cur_x + cur_w, cur_y + cur_h), (0, 255, 0), 3) # 從幀中添加運動狀態 motionTrackList.append(var_motion) motionTrackList = motionTrackList[-2:] # 添加運動的開始時間 if motionTrackList[-1] == 1 and motionTrackList[-2] == 0: motionTime.append(datetime.now()) # 添加運動的結束時間 if motionTrackList[-1] == 0 and motionTrackList[-2] == 1: motionTime.append(datetime.now()) # 在顯示捕獲圖像的灰度級中 cv2.imshow("The image captured in the Gray Frame is shown below: ", gray_frame) # 顯示初始靜態幀和當前幀之間的差異 cv2.imshow("Difference between theinital static frame and the current frame: ", differ_frame) # 在框架屏幕上顯示視頻中的黑白圖像 cv2.imshow("Threshold Frame created from the PC or Laptop Webcam is: ", thresh_frame) #通過彩色框顯示物體的輪廓 cv2.imshow("From the PC or Laptop webcam, this is one example of the Colour Frame:", cur_frame) # 創建處于等待狀態的鍵盤按鍵 wait_key = cv2.waitKey(1) # 借助'm'鍵結束我們系統的整個進行 if wait_key == ord('m'): # 當屏幕上有物體運行時把運動變量值添加到列表motiontime中 if var_motion == 1: motionTime.append(datetime.now()) break # 最后,我們在數據幀中添加運動時間 for a in range(0, len(motionTime), 2): dataFrame = dataFrame.append({"Initial" : time[a], "Final" : motionTime[a + 1]}, ignore_index = True) # 記錄下所有運行,并創建到一個CSV文件中 dataFrame.to_csv("EachMovement.csv") # 釋放視頻內存 video.release() #現在,在openCV的幫助下關閉或銷毀所有打開的窗口 cv2.destroyAllWindows()
以上就是關于“Python運動檢測怎么應用”這篇文章的內容,相信大家都有了一定的了解,希望小編分享的內容對大家有幫助,若想了解更多相關的知識內容,請關注億速云行業資訊頻道。
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。