linux opencv调用笔记本摄像头,如何使用opencv调用电脑摄像头进行图像识别

1.使用opencv打开摄像头

import cv2 as cv

def video_demo():

#0是代表摄像头编号，只有一个的话默认为0

capture=cv.VideoCapture(0)

if not cap.isOpened():

print("Cannot open camera")

exit()

while(True):

ref,frame=capture.read()

cv.imshow("1",frame)

#等待30ms显示图像，若过程中按“Esc”退出

c= cv.waitKey(30) & 0xff

if c==27:

capture.release()

break

video_demo()

cv.destroyAllWindows()

cv.VideoCapture(0):读取视频，当输入为0时默认打开的是电脑摄像头，也可以如输入视频文件的路径。

capture.read(): 返回两个值ref和frame，前者为True或False表示有没有读取到图片，后者参数表示截取到的每一张图片。

cv.inshow('name', frame):显示图片，没有返回值，第一个参数为窗口的名称，第二个参数为要显示的图片。

cv.waitKey(30) & 0xff: cv.waitKey(delay)函数如果delay为0就没有返回值，如果delay大于0，如果有按键就返回按键值，如果没有按键就在delay秒后返回-1，0xff的ASCII码为1111 1111，任何数与它&操作都等于它本身。Esc按键的ASCII码为27，所以当c==27时，摄像头释放。更多关于函数的解释可以参考博客。(我有点没明白的是，如果没有按键返回-1与0xff进行&运算会是什么结果，我试了一下在30s前后按Esc都没有区别，30s后摄像头也不会自动释放，所以不太明白这个delay30s的用意是在哪里。)

cv.destroyAllWindows(): 清除所有方框界面

2.基于opencv搭建yolov3模型进行目标检测

opencv的cv2.dnn模块已经搭建好了yolov3模型，我们只需调用其模型就可以，这里参考了一篇博客的代码，我在这里只做了简单的注释，yolov3的模型与参数也可以去原博客下载。在这里不做赘述。

import numpy as np

import cv2

import os

import time

def video_demo():

# 加载已经训练好的模型路径，可以是绝对路径或者相对路径

weightsPath = "YOLOv3/yolov3.weights"

configPath = "YOLOv3/yolov3.cfg"

labelsPath = "YOLOv3/coco.names"

# 初始化一些参数

LABELS = open(labelsPath).read().strip().split("\n") # 物体类别

COLORS = np.random.randint(0, 255, size=(len(LABELS), 3), dtype="uint8") # 颜色

boxes = []

confidences = []

classIDs = []

net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)

# 读入待检测的图像

# 0是代表摄像头编号，只有一个的话默认为0

capture = cv2.VideoCapture(0)

while (True):

ref, image = capture.read()

(H, W) = image.shape[:2] # 读取图像的长和宽

# 得到 YOLO需要的输出层

ln = net.getLayerNames()

ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# 从输入图像构造一个blob，然后通过加载的模型，给我们提供边界框和相关概率

blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416), swapRB=True, crop=False)

net.setInput(blob)

layerOutputs = net.forward(ln)

# 在每层输出上循环

for output in layerOutputs:

# 对每个检测进行循环

for detection in output:

scores = detection[5:]

classID = np.argmax(scores)

confidence = scores[classID]

# 过滤掉那些置信度较小的检测结果

if confidence > 0.5:

# 框后接框的宽度和高度

box = detection[0:4] * np.array([W, H, W, H])

(centerX, centerY, width, height) = box.astype("int")

# 边框的左上角

x = int(centerX - (width / 2))

y = int(centerY - (height / 2))

# 更新检测出来的框

boxes.append([x, y, int(width), int(height)])

confidences.append(float(confidence))

classIDs.append(classID)

# 极大值抑制

idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.2, 0.3)

if len(idxs) > 0:

for i in idxs.flatten():

(x, y) = (boxes[i][0], boxes[i][1])

(w, h) = (boxes[i][2], boxes[i][3])

# 在原图上绘制边框和类别

color = [int(c) for c in COLORS[classIDs[i]]]

cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)

text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i])

cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

cv2.imshow("Image", image)

#等待30ms显示图像，若过程中按“ESC”退出

c = cv2.waitKey(30) & 0xff

if c == 27:

capture.release()

break

video_demo()