Praktische Übung zur Programmierung der Python-Bewegungserkennung-Python-Tutorial-php.cn

Übersetzer |. Zhu Xianzhong

Rezensent |. Derzeit gibt es viele kommerzielle Anwendungen für die Bewegungserkennung. Es kann beispielsweise zur Überwachung von Online-Prüfungen und zu Sicherheitszwecken in Geschäften, Banken usw. eingesetzt werden.

Die Programmiersprache Python ist eine Open-Source-Sprache mit äußerst umfangreichen Unterstützungsbibliotheken. Heutzutage wurde eine große Anzahl von Anwendungen für Benutzer entwickelt, die auf dieser Sprache basieren und eine große Anzahl von Benutzern haben. Aus diesem Grund wächst die Python-Sprache auf dem Markt schnell. Die Vorteile der Python-Sprache sind zahlreich, nicht nur wegen ihrer einfachen Syntax und der leicht zu findenden Fehler, sondern auch wegen ihres sehr schnellen Debugging-Prozesses, der sie benutzerfreundlicher macht. Praktische Übung zur Programmierung der Python-Bewegungserkennung

Warum wird empfohlen, Python zu lernen? Wir können das folgende Diagramm zur einfachen Erklärung verwenden:

Python wurde 1991 entworfen und von der Python Software Foundation entwickelt. Viele Versionen wurden heute veröffentlicht. Unter ihnen sind Python2 und Python3 die bekanntesten. Derzeit ist Python3 weit verbreitet und auch die Zahl der Benutzer wächst rasant. In diesem Projekt werden wir Python3 als Entwicklungssprache verwenden.

Was ist Bewegungserkennung?

Wenn ein Objekt stationär ist und keine Geschwindigkeit hat, gilt es nach den Prinzipien der Physik als ruhend, und umgekehrt, wenn ein Objekt nicht vollständig stationär ist und sich in eine bestimmte Richtung bewegt (ob links oder rechts). rechts, vorne oder hinten, oder Wenn eine bestimmte Bewegung oder Geschwindigkeit (nach oben oder unten) vorliegt, wird davon ausgegangen, dass sie in Bewegung ist. In diesem Artikel werden wir versuchen, das Verhalten von Objekten zu erkennen. Praktische Übung zur Programmierung der Python-Bewegungserkennung

Derzeit gibt es bereits eine große Anzahl von Implementierungen oder Anwendungen der Bewegungserkennung im wirklichen Leben, was ihren enormen Anwendungswert voll und ganz unter Beweis stellt. Unter diesen ist der Einsatz von Webcams (die wir in diesem Artikel implementieren werden) als Sicherheitspersonal für die Überwachung von Online-Prüfungen usw. die typischste Anwendung.

In diesem Artikel werden wir versuchen, ein Skript zu implementieren. Mit diesem Skript verwenden wir die auf einem Desktop oder Laptop installierte Webcam, um Objektbewegungen zu erkennen. Die Idee ist, dass wir zwei Videobilder aufnehmen und versuchen, den Unterschied zwischen ihnen herauszufinden. Wenn zwischen den beiden Bildern ein Unterschied besteht, liegt offensichtlich eine Bewegung des Objekts vor der Kamera vor, die den Unterschied ausmacht.

Hauptreferenzbibliotheken Praktische Übung zur Programmierung der Python-Bewegungserkennung

Bevor wir mit der Implementierung des Codes beginnen, werfen wir einen Blick auf einige Module oder Bibliotheken, die wir im Code verwenden werden, um die Webcam zur Bewegungserkennung zu betreiben. Wie wir besprochen haben, spielen diese Open-Source-Bibliotheken eine wichtige Rolle bei der Verbreitung des Rufs von Python. Werfen wir einen Blick auf die Open-Source-Bibliotheken, die im Beispielprojekt dieses Artikels benötigt werden:

OpenCV

Pandas

Die beiden oben genannten Bibliotheken OpenCV und Pandas sind kostenlose Open-Source-Bibliotheken, die ausschließlich auf Python basieren durch die Python3-Version der Python-Sprache sie.

1.OpenCV
OpenCV ist eine sehr bekannte Open-Source-Bibliothek, die mit vielen Programmiersprachen (wie C++, Python usw.) verwendet werden kann und speziell für die Bildverarbeitung und Videoprogrammentwicklung verwendet wird. Durch die Integration von Anwendungen mit Pythons Open-Source-Bibliothek Pandas oder der NumPy-Bibliothek können wir die Funktionen von OpenCV voll ausschöpfen.

2.Pandas

Pandas ist eine Open-Source-Python-Bibliothek, die umfangreiche integrierte Tools für die Datenanalyse bietet und daher in den Bereichen Datenwissenschaft und Datenanalyse weit verbreitet ist. Pandas stellt die Datenstruktur Form DataFrame bereit, die eine äußerst praktische Unterstützung für die Verarbeitung und Speicherung tabellarischer Daten in einer zweidimensionalen Datenstruktur bietet.

Keines der beiden oben genannten Module ist in Python integriert. Wir müssen sie installieren, bevor wir sie verwenden können. Darüber hinaus werden wir in unserem Projekt noch zwei weitere Module nutzen.

Python DateTime (DateTime)-Modul

Python Time (Time)-Modul

Beide Module sind in Python integriert und müssen in Zukunft nicht mehr installiert werden. Diese Module werden verwendet, um datums- und zeitbezogene Funktionen zu verarbeiten.

Code-Implementierung
Bisher haben wir die Bibliotheken gesehen, die wir in unserem Code verwenden werden. Als nächstes gehen wir davon aus, dass ein Video nur eine Kombination aus vielen Standbildern oder Frames ist, und verwenden dann die Kombination all dieser Frames, um ein Video zu erstellen.

Erforderliche Bibliotheken importieren

In diesem Abschnitt importieren wir zunächst alle Bibliotheken wie Pandas und OpenCV. Anschließend importieren wir die Zeit- und DateTime-Funktionen aus dem DateTime-Modul.

#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

Nach dem Login kopieren

Datenvariablen initialisieren

In diesem Abschnitt werden wir einige Variablen initialisieren und diese Variablen weiter im Code verwenden. Zuerst definieren wir den Anfangszustand als „None“ und speichern dann die verfolgte Bewegung über eine andere Variable „motionTrackList“.

此外，我们还定义了一个列表“motionTime”，用于存储发现运动的时间，并使用Panda的模块初始化数据帧列表。

# 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"])

Nach dem Login kopieren

关键帧捕获过程

在本节中，我们将实现本文示例项目中最关键的运动检测步骤。下面，让我们分步骤进行解说：

首先，我们将开始使用cv2模块捕获视频，并将其存储在视频变量中。
然后，我们将使用无限while循环从视频中捕获每一帧。
接下来，将使用read()方法读取每个帧，并将它们存储到各自的变量中。
我们定义了一个变量var_motion，并将其初始化为零。
我们使用cv2函数cvtColor和GaussianBlur创建另外两个变量grayImage和grayFrame，以找到运动中的变化。
如果我们的initialState为None，则我们将当前grayFrame指定为initialState；否则，使用“continue”关键字跳过后面代码的执行。
在后面代码中，我们计算在当前迭代中创建的初始帧和灰度帧grayscale之间的差异。
然后，我们将使用cv2阈值和dilate函数突出显示初始帧和当前帧之间的变化。
我们将从当前图像或帧中的运动对象中找到轮廓，并通过使用rectangle函数在其周围创建绿色边界来指示运动对象。
在此之后，我们将把当前检测到的元素添加到列表变量motionTrackList。
到目前为止，我们已经通过使用imshow方法显示出如灰度和原始帧等所有的关键帧。
此外，我们还使用cv2模块的witkey()方法来结束进程。程序中，我们选择使用按下键盘上的'm'键来结束我们的进程。

# 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 theinital 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)

 

 # 按下'm'键时，结束整个进程执行

 if wait_key == ord('m'):

 # 当屏幕上有东西移动时，将运动变量值添加到motiontime列表中 

 if var_motion == 1:

 motionTime.append(datetime.now())

 break

Nach dem Login kopieren

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()

Nach dem Login kopieren

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 theinital 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()

Nach dem Login kopieren

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。

Praktische Übung zur Programmierung der Python-Bewegungserkennung

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。

Praktische Übung zur Programmierung der Python-Bewegungserkennung

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。

译者介绍

朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。早期专注各种微软技术（编著成ASP.NET AJX、Cocos 2d-X相关三本技术图书），近十多年投身于开源世界（熟悉流行全栈Web开发技术），了解基于OneNet/AliOS+Arduino/ESP32/树莓派等物联网开发技术与Scala+Hadoop+Spark+Flink等大数据开发技术。

原文标题：How to Perform Motion Detection Using Python，作者：Vaishnavi Amira Yada

Das obige ist der detaillierte Inhalt vonPraktische Übung zur Programmierung der Python-Bewegungserkennung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!