无人驾驶 OpenCV (5) 识别行人

图

其实一切都是从简单开始，当然无人驾驶需要人工智能对周围环境了如指掌。一切尽在掌握，需要尽可能将周围的所有物体都识别出来，今天的人工智能对周围感知通过雷达，或是通过激光扫描周围的环境来尽可能多获取信息。

图

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

cap = cv.VideoCapture('vtest.avi')

while cap.isOpened():
    ret, frame = cap.read()
    cv.imshow('inter',frame)
    if cv.waitKey(40) == 27:
        break
cv.destroyAllWindows()
cap.release()

测试的影响资料是从 opencv 官网获取的。影响资料上有人运行，我们要做的就是将这些运动的人识别出来，通过绿色的框表示出来。当先判断运动的人，并没有使用深度学习来识别运动的是人。只是识别出是运动。

图

如果我们需要判断移动物体，就需要通过两个帧画面的差值来找到移动的物体。这里通过 absdiff 通过对比帧(frame1，frame2）来识别两帧图像不同来识别运动。

diff = cv.absdiff(frame1,frame2)
gray = cv.cvtColor(diff,cv.COLOR_BGR2GRAY)

    diff = cv.absdiff(frame1,frame2)
    cv.imshow('diff',diff)

diff

图中为 absdiff 通过对别 frame1 和 frame2 的导出输出。

while cap.isOpened():
    # ret, frame = cap.read()
    diff = cv.absdiff(frame1,frame2)
    gray = cv.cvtColor(diff,cv.COLOR_BGR2GRAY)
    blur = cv.GaussianBlur(gray,(5,5),0)
    _, thresh = cv.threshold(blur,20,255,cv.THRESH_BINARY)
    dilated = cv.dilate(thresh, None, iterations=3)
    contours, _ = cv.findContours(dilated,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)

    cv.drawContours(frame1, contours, -1, (0,255,0),2)

因为我们要进行高斯模糊，颜色值对我们分析和识别运动问题没有任何帮助。所以将图片进行灰度处理。有关高斯模糊我们以后从理论进行分析，现在我们知道就是高斯模糊是进行去掉噪点来进行平滑和降噪，

    blur = cv.GaussianBlur(gray,(5,5),0)
    cv.imshow('blur',blur)

高斯模糊

识别出来运动人物，dilate()函数可以对输入图像用特定结构元素进行膨胀(就是扩展像素范围)操作，该结构元素确定膨胀操作过程中的邻域的形状，各点像素值将被替换为对应邻域上的最大值。通过 dilate 来扩大显示范围，然后用 findContours查找轮廓，接下来调用 drawContours 来绘制出轮廓

cap = cv.VideoCapture('vtest.avi')
ret, frame1 = cap.read()
ret, frame2 = cap.read()
while cap.isOpened():
    # ret, frame = cap.read()
    diff = cv.absdiff(frame1,frame2)
    gray = cv.cvtColor(diff,cv.COLOR_BGR2GRAY)
    blur = cv.GaussianBlur(gray,(5,5),0)
    _, thresh = cv.threshold(blur,20,255,cv.THRESH_BINARY)
    dilated = cv.dilate(thresh, None, iterations=3)
    contours, _ = cv.findContours(dilated,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)

    cv.drawContours(frame1, contours, -1, (0,255,0),2)

    cv.imshow('feed',frame1)
    frame1 = frame2
    ret, frame2 = cap.read()
    if cv.waitKey(40) == 27:
        break
cv.destroyAllWindows()
cap.release()

图

for contour in contours:
        (x, y, w, h) = cv.boundingRect(contour)
        if cv.contourArea(contour) < 700:
            continue
        cv.rectangle(frame1,(x,y),(x+w,y+h),(0,255,0),2)
        cv.putText(frame1,"Status:{}".format("Movement"),(10,20),cv.FONT_HERSHEY_SIMPLEX,1,(0,0,255),3)

我们通过 boundingRect 读取轮廓来识别为矩形（也就是 bounding box)通过矩形绘制出识别的运行人的范围。然后再用 putText 为影响添加文字。

    frame1 = frame2
    ret, frame2 = cap.read()
    if cv.waitKey(40) == 27:
        break

将 frame2 赋值给 frame1 也就是表示记录下 frame1 也就是记录下上一次帧。然后重新 对 frame2 进行赋值。

图