通过Python和OpenCV实现目标数量监控-创新互联

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：

创新互联公司于2013年创立，先为邳州等服务建站，邳州等地企业，进行企业商务咨询服务。为邳州企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。

。

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

网页题目：通过Python和OpenCV实现目标数量监控-创新互联
分享URL：http://6mz.cn/article/hgggj.html