今天我们将利用python+OpenCV实现对视频中物体数量的监控，达到视频监控的效果，比如洗煤厂的监控水龙头的水柱颜色，当水柱为黑色的超过了一半，那么将说明过滤网发生了故障。当然不仅如此，我们看的是图像视频处理的技巧，你也可以将项目迁移到其他地方等，这仅仅是一个例子而已。我们知道计算机视觉中关于图像识别有四大类任务：
。
分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
而定位不仅需要找到物体的位置在哪里，还需要能够统计目标的数目以及物体状态。
除了图像分类以外，目标检验要解决问题的架构难题是：
1.目标有可能经常出现在影像的任何方位；
2.目标有各种有所不同的尺寸；
3.目标有可能有各种有所不同的外形。
如果用矩形框来界定目的，则长方形有有所不同的清晰度。由于目的的清晰度有所不同，因此使用经典之作的转动视窗+影像图形的计划解决问题标准化目的检验难题的生产成本太低。近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它们是two-stage的，需要先算法产生目标候选框，也就是目标位置，然后再对候选框做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。那么今天我们的项目并不会太多的讲解各种算法，而是我们的核心主题，目标数量识别。
那么我们将如何进行实现呢
多说无益，下面可以开始实现我们的项目。
首先导入相关的库
import cv2
from PIL import Image
from PIL import ImageDraw,ImageFont
import numpy as np
接着我们需要把水龙头流出水柱的部分提取出来，即需要把图片预先处理成这样，作为背景图来用，名为3ji.jpg如图所示：
然后通过图像作差的方法找到水柱的部分，首先就需要将图像转彩灰度图然后高斯模糊便于计算，当然其实不这样也是可以的。其中2.jpg是测试的图片，
代码如下：
'''3ji是背景图不可换，调试换另一个图片,3ji自己用画图找到水的位置清除掉水柱即可，所以说摄像头不能动'''
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.shape
print(x,y)
接着通过边缘检测找到水柱边界，方便查看。
#frameDelta和canny一个是区域一个是轮廓
img = cv2.GaussianBlur(frameDelta,(3,3),0)
canny = cv2.Canny(img, 0, 100)
定义水柱总面积变量。清水面积变量，ss数组存储像素值位置
area=0 #6687,总面积
qingarea=0
ss=[]
然后画出轮廓，并记录水柱处像素值得位置
#画轮廓,存储要识别的像素值位置，记录在ss数组中
for i in range(x):
for j in range(y):
if any(frameDelta[i,j]!=[0,0,0]):#白色的时候，占位
ss.append([i,j])
然后以原图加轮廓图显示，图片相加即可：
canny0=cv2.add(secondframe0,canny)
接着根据像素值大小判断颜色，通过调试这个项目的阈值是50
#判断水柱颜色,清水占多少像素
for t in ss:
k,l=t
area=area+1
if canny0[k, l] > 50:
print(canny0[k,l])
qingarea+=1
接着统计黑色水柱占比率为多少
deta=(qingarea/area)*100
print(qingarea)
pred="清水占比为"+str(deta)+"%"
print(pred)
最后输出图像结果：
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)
最终达到的演示效果如图所示：
清水占比96%，还是比较准确的
清水占比38%，黑水占比62%，也基本准确。
当然这仅仅是一个思路的问题，至少目前为止网上还没有对物体数目去监控的项目例子，尽管并不是如此高深，但是却是一个很好的探究方向。不仅仅是智能采矿的需要，也可以是智能农业或者智能畜牧业等方面监控的一个想法。当然大家也是可以再次基础上修改完善代码，完整的代码上面已经给出。伴随着移动互联网、手机及各交友的平台的较慢持续发展，照片的广泛传播幅度大大增强，广泛传播范围内也日益扩展。比起书写、视频、录像等广泛传播方式，照片广泛传播极具“点睛”视觉效果，合乎节奏贫困下人们高效的读者方法。
当照片给人们带给快捷的数据纪录和共享方法的同时，照片普遍地广泛传播在社会大众视线下，适当的难题也接踵而来。书写记述，使用者可以精彩通过关键字搜寻提供意愿数据，而当照片记述，使用者难以必要通过搜寻照片索引到可借助数据。
科技进步的变革常常与解决的表达意见如影随形，在使用者痛点下，亟需高科技的改进创意，此自然环境下涌现的图像识别新技术之后变得尤为重要。由此也可见计算机视觉的日益高涨的地位。