空间管理您的位置: 51Testing软件测试网 » liqianqian1116的个人空间 » 日志

Python运动检测编程实战演练（下）

上一篇 / 下一篇 2022-08-25 10:35:39

查看( 502 ) / 评论( 0 ) / 评分( 0 / 0 )

　　代码收尾工作

　　在结束循环体执行后，我们将从dataFrame和motionTime列表中添加数据到CSV文件中，最后关闭视频。这一部分代码的实现如下所示：

　　# 最后，我们在数据帧中添加运动时间

　　for a in range(0, len(motionTime), 2):

　　 dataFrame = dataFrame.append({"Initial" : time[a], "Final" : motionTime[a + 1]}, ignore_index = True)

　　# 创建CSV文件记录下所有运动信息

　　dataFrame.to_csv("EachMovement.csv")

　　# 释放视频内存

　　video.release()

　　#现在，在openCV的帮助下关闭或销毁所有打开的窗口

　　cv2.destroyAllWindows()

　　至此，我们已经成功地创建完所有代码。现在，让我们再次归纳一下整个过程。

　　首先，我们使用设备的网络摄像头捕捉视频，然后将输入视频的初始帧作为参考，并不时检查下一帧。如果发现与第一帧不同的帧，则说明存在运动。该信息将被标记在绿色矩形中。

　　完整的代码

　　现在，让我们把上面所有代码片断连接到一起，如下所示：

　　#导入Pandas库

　　import Pandas as panda

　　# 导入OpenCV库

　　import cv2

　　#导入时间模块

　　import time

　　#从datetime 模块导入datetime 函数

　　from datetime import datetime

　　# 对于初始帧，以变量initialState的形式将初始状态指定为None

　　initialState = None

　　# 帧中检测到任何运动时存储所有轨迹的列表

　　motionTrackList= [ None, None ]

　　# 一个新的“时间”列表，用于存储检测到移动时的时间

　　motionTime = []

　　# 使用带有初始列和最终列的Panda库初始化数据帧变量“DataFrame”

　　dataFrame = panda.DataFrame(columns = ["Initial", "Final"])

　　# 使用cv2模块启动网络摄像头以捕获视频

　　video = cv2.VideoCapture(0)

　　# 使用无限循环从视频中捕获帧

　　while True:

　　 # 使用read功能从视频中读取每个图像或帧

　　 check, cur_frame = video.read()

　　 #将'motion'变量定义为等于零的初始帧

　　 var_motion = 0

　　 # 从彩色图像创建灰色帧

　　 gray_image = cv2.cvtColor(cur_frame, cv2.COLOR_BGR2GRAY)

　　 # 从灰度图像中使用GaussianBlur函数找到变化部分

　　 gray_frame = cv2.GaussianBlur(gray_image, (21, 21), 0)

　　 # 在第一次迭代时进行条件检查

　　 # 如果为None，则把grayFrame赋值给变量initalState

　　 if initialState is None:

　　 initialState = gray_frame

　　 continue

　　 # 计算静态（或初始）帧与我们创建的灰色帧之间的差异

　　 differ_frame = cv2.absdiff(initialState, gray_frame)

　　 # 静态或初始背景与当前灰色帧之间的变化将突出显示

　　 thresh_frame = cv2.threshold(differ_frame, 30, 255, cv2.THRESH_BINARY)[1]

　　 thresh_frame = cv2.dilate(thresh_frame, None, iterations = 2)

　　 #对于帧中的移动对象，查找轮廓

　　 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)

　　 # 在移动对象周围创建一个绿色矩形

　　 cv2.rectangle(cur_frame, (cur_x, cur_y), (cur_x + cur_w, cur_y + cur_h), (0, 255, 0), 3)

　　 # 从帧中添加运动状态

　　 motionTrackList.append(var_motion)

　　 motionTrackList = motionTrackList[-2:]

　　 # 添加运动的开始时间

　　 if motionTrackList[-1] == 1 and motionTrackList[-2] == 0:

　　 motionTime.append(datetime.now())

　　 # 添加运动的结束时间

　　 if motionTrackList[-1] == 0 and motionTrackList[-2] == 1:

　　 motionTime.append(datetime.now())

　　 # 在显示捕获图像的灰度级中

　　 cv2.imshow("The image captured in the Gray Frame is shown below: ", gray_frame)

　　 # 显示初始静态帧和当前帧之间的差异

　　 cv2.imshow("Difference between the inital static frame and the current frame: ", differ_frame)

　　 # 在框架屏幕上显示视频中的黑白图像

　　 cv2.imshow("Threshold Frame created from the PC or Laptop Webcam is: ", thresh_frame)

　　 #通过彩色框显示物体的轮廓

　　 cv2.imshow("From the PC or Laptop webcam, this is one example of the Colour Frame:", cur_frame)

　　 # 创建处于等待状态的键盘按键

　　 wait_key = cv2.waitKey(1)

　　 # 借助'm'键结束我们系统的整个进行

　　 if wait_key == ord('m'):

　　 # 当屏幕上有物体运行时把运动变量值添加到列表motiontime中

　　 if var_motion == 1:

　　 motionTime.append(datetime.now())

　　 break

　　# 最后，我们在数据帧中添加运动时间

　　for a in range(0, len(motionTime), 2):

　　 dataFrame = dataFrame.append({"Initial" : time[a], "Final" : motionTime[a + 1]}, ignore_index = True)

　　# 记录下所有运行，并创建到一个CSV文件中

　　dataFrame.to_csv("EachMovement.csv")

　　# 释放视频内存

　　video.release()

　　#现在，在openCV的帮助下关闭或销毁所有打开的窗口

　　cv2.destroyAllWindows()

　　运行结果

　　运行上述代码后得到的结果与下面看到的结果类似。

　　从这个动画中，我们可以看到该男子在视频中的动作已经被跟踪。因此，可以相应地看到输出结果。

　　然而，在这段代码中，跟踪是在移动对象周围的矩形框的帮助下完成，类似于下面动画中所示的。这里要注意的一件有趣的事情是，这段视频是一个实际的安全摄像头的镜头，已经对其进行了检测处理。

　　结论

　　·Python编程语言是一种开源的且有丰富的开源库支持的语言，目前已经为用户提供了许多现成的应用程序。

　　· 当一个物体静止不动且没有速度时，则认为它处于静止状态；反之，当一个对象未完全静止时，则视为它处于运动状态。

　　· OpenCV是一个开源库，可用于多种编程语言，通过将其与Python的Panda/NumPy库集成，我们可以充分发挥OpenCV的功能。

　　最后来归纳一下。本文中所介绍的运动检测的主要思想是，每个视频只是许多静态图像（称为帧）的组合，我们是通过判断帧之间的差异来实现运行检测的。

Python运动检测编程实战演练（下）

相关阅读:

用户菜单

标题搜索

日历

我的存档

数据统计

RSS订阅