微信公众号：小白图像与视觉
关于技术、关注
yysilence00。有问题或建议，请公众号留言。
在本OpenCV Python教程中，我们将介绍在Python中使用OpenCV进行计算机视觉的各个方面。长期以来，OpenCV一直是软件开发中至关重要的部分。
为了简化答案，让我们考虑一个场景。
假设您和您的朋友去度假，您将一堆图片上传到了Facebook。但是现在要花些时间才能找到朋友的脸并在每张照片中标记它们。实际上，Facebook足够聪明，可以为您标记人物。
那么，您如何看待自动标记功能？简而言之，它通过计算机视觉起作用。
计算机视觉是一个跨学科领域，涉及如何制作计算机以从数字图像或视频获得高层次的理解。
我们可以发现这是纽约天际线的图像。但是，计算机可以自己找出所有这些吗？答案是不！计算机读取的任何图像的取值范围为0到255。
对于任何彩色图像，都有3个主要通道-红色，绿色和蓝色。它的工作原理非常简单。
为每种原色形成一个矩阵，然后，这些矩阵组合以提供每种R，G和B颜色的像素值。
矩阵的每个元素提供有关像素亮度强度的数据。
考虑下图：
如图所示，此处图像的大小可以计算为B x A x 3。
注意：对于黑白图像，只有一个单一通道。
现在让我们看一下OpenCV到底是什么。
OpenCV是一个旨在解决计算机视觉问题的Python库。OpenCV最初是由Intel在1999年开发的，但后来得到Willow Garage的支持。它支持多种编程语言，例如C ++，Python，Java等。支持多种平台，包括Windows，Linux和MacOS。
OpenCV Python只是用于Python的原始C ++库的包装类。使用此方法，所有OpenCV数组结构都可以与NumPy数组进行相互转换。这样可以更轻松地将其与使用NumPy的其他库集成。例如，诸如SciPy和Matplotlib之类的库。
让我们看一下从加载图像到调整图像大小等各种概念。
Import cv2
# colored Image
Img = cv2.imread ("Penguins.jpg",1)
# Black and White (gray scale)
Img_1 = cv2.imread ("Penguins.jpg",0)
如以上代码所示，第一个要求是导入OpenCV模块。
稍后，我们可以使用imread模块读取图像。参数中的1表示它是彩色图像。如果参数是0而不是1，则意味着导入的图像是黑白图像。图像的名称是“企鹅”。很简单吧？
使用shape子函数来输出图片的形状。查看代码：
Import cv2
# Black and White (gray scale)
Img = cv2.imread ("Penguins.jpg",0)
Print(img.shape)
通过图像的形状，我们指的是NumPy数组的形状。从执行代码中可以看到，矩阵由768行和1024列组成。
import cv2
# Black and White (gray scale)
Img = cv2.imread ("Penguins.jpg",0)
cv2.imshow("Penguins", img)
cv2.waitKey(0)
# cv2.waitKey(2000)
cv2.destroyAllWindows()
import cv2
# Black and White (gray scale)
img = cv2.imread ("Penguins.jpg",0)
resized_image = cv2.resize(img, (650,500))
cv2.imshow("Penguins", resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
调用子函数resize改变图像的大小
输出结果：
另外一个改变图像大小的API
Resized_image = cv2.resize(img, int((img.shape[1]/2), int(img.shape[0]/2)))
得到的新图像大小是原始图像的一半。
**使用OpenCV进行人脸检测**
乍一看这很复杂，但是非常容易。让我引导您完成整个过程，您会感到相同。 第1步：考虑我们的先决条件。首先，我们将需要一张图片。稍后，我们需要创建一个级联分类器，最终将为我们提供面部特征。第2步：
我们需要做的就是搜索面部NumPy ndarray的行和列值。原始数据点是矩形坐标的数组。
第3步：
后一步是使用矩形面框显示图像。
看看下面的图片，这里我以图片的形式总结了三个步骤，以便于阅读：
首先，我们创建了一个CascadeClassifier对象，以提取面部特征，如前所述。包含面部特征的XML文件的路径是此处的参数。
下一步将是读取带有面部的图像，并使用COLOR_BGR2GREY将其转换为黑白图像。接下来，我们搜索图像的坐标。这是使用detectMultiScale完成的
您问什么坐标？它是面部矩形的坐标。所述scaleFactor被用于由5％直到面被发现以降低形状值。因此，总的来说，值越小，精度越高。
最后，将面部打印在窗口上。
##给识别的人脸添加矩形面框,xml为人脸数据集
这种逻辑非常简单-就像使用for循环语句一样简单。查看以下图片：
我们通过传递诸如图像对象，框轮廓的RGB值和矩形的宽度之类的参数来定义使用cv2.rectangle创建矩形的方法。
让我们查看用于面部检测的整个代码：
import cv2
# Create a CascadeClassifier Object
face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
# Reading the image as it is
img = cv2.imread("photo.jpg")
# Reading the image as gray scale image
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# Search the co-ordintes of the image
faces = face_cascade.detectMultiScale(gray_img, scaleFactor = 1.05,
minNeighbors=5)
for x,y,w,h in faces:
img = cv2.rectangle(img, (x,y), (x+w,y+h),(0,255,0),3)
resized = cv2.resize(img, (int(img.shape[1]/7),int(img.shape[0]/7)))
cv2.imshow("Gray", resized)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用OpenCV捕获视频也非常简单。以下循环将为您提供一个更好的主意。一探究竟：
图像被一张一张地读取，因此由于帧的快速处理而产生了视频，这使得单个图像移动。查看以下图片：
首先，我们照常导入OpenCV库。接下来，我们有一个称为VideoCapture的方法，该方法用于创建VideoCapture对象。此方法用于在用户计算机上触发相机。该函数的参数表示程序是否应使用内置摄像机或附加摄像机。在这种情况下，“ 0”表示内置摄像机。最后，释放方法用于在几毫秒内释放相机。
当您继续输入并尝试执行上面的代码时，您会注意到相机灯会瞬间打开，稍后关闭。为什么会这样？发生这种情况是因为没有时间延迟即可保持相机正常工作.
看看以上代码，我们有新的一行time.sleep(3)。这使脚本停止3秒。请注意，传递的参数是以秒为单位的时间。因此，当代码执行时，网络摄像头将开启3秒钟。
##添加窗口：
添加一个窗口以显示视频输出非常简单，可以与用于图像的相同方法进行比较。但是，有一点变化。
在这里，我们定义了一个NumPy数组，用于表示视频捕获的第一张图像。这存储在帧数组中。
我们也有检查。这是一个布尔数据类型，如果Python能够访问和读取VideoCapture对象，则该数据类型将返回True。
查看以下输出
如您所见，我们得到的输出为True，并打印了框架数组的一部分。
但是我们需要先阅读视频的第一帧/图像，对吗？
为此，我们首先需要创建一个框架对象，该对象将读取VideoCapture对象的图像。
如上所述，read方法用于捕获视频的第一帧。
在所有这些期间，我们尝试捕获视频的第一个图像/帧。
那么我们如何捕获视频而不是OpenCV中的第一张图像？
##直接捕获视频：
为了捕获视频，我们将使用while循环。while条件将使得除非’check’为True，否则Python将显示每一帧。
如前所述，我们利用cvtColor函数将每一帧转换为灰度图像。
waitKey（1）将确保在每毫秒的间隔后生成一个新帧。
重要的是要注意，while循环完全在起作用，以帮助遍帧并最终显示视频。
这里也有一个用户事件触发器。用户按下“ q”键后，程序窗口将关闭
##案例：使用OpenCV的运动检测器
question：
一家正在研究人类行为的公司已与您联系。您的任务是给他们提供一个网络摄像头，它可以检测前面的运动。这应该返回一个图形，并且该图形应包含人类/物体在摄像机前面的时间。
最初，我们将图像保存在特定的帧中。
下一步涉及将图像转换为高斯模糊图像。这样做是为了确保我们计算出模糊图像与实际图像之间的明显差异。
此时，图像仍不是对象。我们定义一个阈值以消除斑点，例如图像中的阴影和其他噪声。
稍后将定义对象的边框，然后如本教程前面所述，在对象周围添加一个矩形框。
最后，我们计算对象出现和退出帧的时间。
很简单，对不对？
这是代码片段：
这里也遵循相同的原理。我们首先导入包并创建VideoCapture对象，以确保我们使用网络摄像头捕获视频。
while循环遍历视频的各个帧。我们将色框转换为灰度图像，然后再将此灰度图像转换为高斯模糊。
我们需要存储视频的第一个图像/帧，对吗？我们仅将if语句用于此目的。
现在，让我们深入研究一些代码：
我们使用absdiff函数计算第一个帧和其他所有帧之间的差异。
threshold函数提供阈值，它将差异值小于30的像素转换为黑。如果像素的差异值大于30，则转换为白色。THRESH_BINARY就适用于此目的。
然后，我们使用findContours函数给图像定义轮廓区域。我们也在这个阶段加入边界。
就像之前解释过的，contourArea函数可消除阴影和噪声。为了简化，它将只保留白色部分，正如我们定义的，白色部分面积大于1000像素。
然后，在我们的工作帧中在对象的周围创建一个矩形框。
剩下的一件事是，我们需要计算物体在镜头前的时间。
我们用DataFrame存储对象出现在帧中被检测到的时间和运动的时间。
接下来是我们之前解释过的VideoCapture函数。但是在这里，我们有一个标志位，称之为status。我们在记录开始时设置status为0，因为对象在最初是不可见的。
如上图所示，当检测到对象时，我们将status标志更改为1。很简单吧？
我们将创建一个status的列表存储每一个扫描到的帧的状态，然后如果某处发生改变则使用datetime在列表中记录日期和时间。
如以上的解释图所示，我们将时间值存储在 DataFrame中。我们以把DataFrame写入CSV文件中结束，如图所示
绘制运动检测图：
我们实例的最后一步是显示结果。我们将要显示的是表示两轴上的运动的图形。看看以下代码：
首先，我们从motion_detector.py文件中导入DataFrame。
下一步是将时间转换为可读的并且可以解析的字符串形式。
最后，使用Bokeh plots在浏览器上绘制时间值的DataFrame。
输出：
结论：
更多请参考：