作者 | 李秋鍵
責編 | 劉靜
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，那麼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於圖像識別有四大類任務：
分類-Classification：解決「是什麼？」的問題，即給定一張圖片或一段視頻判斷裡面包含什麼類別的目標。
定位-Location：解決「在哪裡？」的問題，即定位出這個目標的的位置。
檢測-Detection：解決「是什麼？在哪裡？」的問題，即定位出這個目標的的位置並且知道目標物是什麼。
分割-Segmentation：分為實例的分割（Instance-level）和場景分割（Scene-level），解決「每一個像素屬於哪個目標物或場景」的問題。
而定位不僅需要找到物體的位置在哪裡，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。由於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，一類是基於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，然後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。那麼今天我們的項目並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。
那麼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 cv2from PIL import Imagefrom PIL import ImageDraw,ImageFontimport 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：
然後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後高斯模糊便於計算，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.shapeprint(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=0ss=[]
然後畫出輪廓，並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，佔位 ss.append([i,j])
然後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,清水佔多少像素for t in ss: k,l=t area=area+1if canny0[k, l] > 50:print(canny0[k,l]) qingarea+=1接著統計黑色水柱佔比率為多少deta=(qingarea/area)*100print(qingarea)pred="清水佔比為"+str(deta)+"%"print(pred)
最後輸出圖像結果：
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：
清水佔比96%，還是比較準確的
清水佔比38%，黑水佔比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，儘管並不是如此高深，但是卻是一個很好的探究方向。不僅僅是智能採礦的需要，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。伴隨著移動網際網路、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，廣泛傳播範圍內也日益擴展。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願數據，而當照片記述，使用者難以必要通過搜尋照片索引到可藉助數據。
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，此自然環境下湧現的圖像識別新技術之後變得尤為重要。由此也可見計算機視覺的日益高漲的地位。
作者簡介：李秋鍵，CSDN 博客專家，CSDN達人課作者。
聲明：本文為作者原創投稿，未經允許請勿轉載。
【End】