今天我們將利用python+OpenCV實(shí)現(xiàn)對(duì)視頻中物體數(shù)量的監(jiān)控，達(dá)到視頻監(jiān)控的效果，比如洗煤廠(chǎng)的監(jiān)控水龍頭的水柱顏色，當(dāng)水柱為黑色的超過(guò)了一半，那么將說(shuō)明過(guò)濾網(wǎng)發(fā)生了故障。當(dāng)然不僅如此，我們看的是圖像視頻處理的技巧，你也可以將項(xiàng)目遷移到其他地方等，這僅僅是一個(gè)例子而已。我們知道計(jì)算機(jī)視覺(jué)中關(guān)于圖像識(shí)別有四大類(lèi)任務(wù)：

創(chuàng)新互聯(lián)公司于2013年創(chuàng)立，先為邳州等服務(wù)建站，邳州等地企業(yè)，進(jìn)行企業(yè)商務(wù)咨詢(xún)服務(wù)。為邳州企業(yè)網(wǎng)站制作PC+手機(jī)+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問(wèn)題。

。

分類(lèi)-Classification：解決“是什么？”的問(wèn)題，即給定一張圖片或一段視頻判斷里面包含什么類(lèi)別的目標(biāo)。

定位-Location：解決“在哪里？”的問(wèn)題，即定位出這個(gè)目標(biāo)的的位置。

檢測(cè)-Detection：解決“是什么？在哪里？”的問(wèn)題，即定位出這個(gè)目標(biāo)的的位置并且知道目標(biāo)物是什么。

分割-Segmentation：分為實(shí)例的分割（Instance-level）和場(chǎng)景分割（Scene-level），解決“每一個(gè)像素屬于哪個(gè)目標(biāo)物或場(chǎng)景”的問(wèn)題。

而定位不僅需要找到物體的位置在哪里，還需要能夠統(tǒng)計(jì)目標(biāo)的數(shù)目以及物體狀態(tài)。

除了圖像分類(lèi)以外，目標(biāo)檢驗(yàn)要解決問(wèn)題的架構(gòu)難題是：

1.目標(biāo)有可能經(jīng)常出現(xiàn)在影像的任何方位；

2.目標(biāo)有各種有所不同的尺寸；

3.目標(biāo)有可能有各種有所不同的外形。

如果用矩形框來(lái)界定目的，則長(zhǎng)方形有有所不同的清晰度。由于目的的清晰度有所不同，因此使用經(jīng)典之作的轉(zhuǎn)動(dòng)視窗+影像圖形的計(jì)劃解決問(wèn)題標(biāo)準(zhǔn)化目的檢驗(yàn)難題的生產(chǎn)成本太低。近幾年來(lái)，目標(biāo)檢測(cè)算法取得了很大的突破。比較流行的算法可以分為兩類(lèi)，一類(lèi)是基于Region Proposal的R-CNN系算法（R-CNN，F(xiàn)ast R-CNN, Faster R-CNN等），它們是two-stage的，需要先算法產(chǎn)生目標(biāo)候選框，也就是目標(biāo)位置，然后再對(duì)候選框做分類(lèi)與回歸。而另一類(lèi)是Yolo，SSD這類(lèi)one-stage算法，其僅僅使用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)CNN直接預(yù)測(cè)不同目標(biāo)的類(lèi)別與位置。第一類(lèi)方法是準(zhǔn)確度高一些，但是速度慢，但是第二類(lèi)算法是速度快，但是準(zhǔn)確性要低一些。那么今天我們的項(xiàng)目并不會(huì)太多的講解各種算法，而是我們的核心主題，目標(biāo)數(shù)量識(shí)別。

那么我們將如何進(jìn)行實(shí)現(xiàn)呢

多說(shuō)無(wú)益，下面可以開(kāi)始實(shí)現(xiàn)我們的項(xiàng)目。

首先導(dǎo)入相關(guān)的庫(kù)

import cv2
from PIL import Image
from PIL import ImageDraw,ImageFont
import numpy as np

當(dāng)前題目：通過(guò)Python和OpenCV實(shí)現(xiàn)目標(biāo)數(shù)量監(jiān)控-創(chuàng)新互聯(lián)
文章源于：http://weahome.cn/article/hgggj.html