بيثون الحركة من المتوسط صورة

مرحبا، وهذا سيكون مقالا بسيطا جدا، ولكن سوف تجد أنه من المفيد جدا. بل هو حول استخراج الخلفية من الفيديو. لنفترض أنك تعطى الفيديو من لقطات من حركة المرور، قد يكون بعض الشيء من هذا القبيل. حركة المرور في الهند. ويطلب منك العثور على خلفية تقريبية. أو أي شيء من هذا القبيل. استخراج الخلفية تأتي مهمة في تتبع الكائن. إذا كان لديك بالفعل صورة للخلفية العارية، ثم أنها بسيطة. ولكن في كثير من الحالات، لن يكون لديك مثل هذه الصورة وهكذا، سيكون لديك لإنشاء واحد. هذا هو المكان الذي يأتي معدل التشغيل في متناول اليدين. (فكرت في هذا عندما سأل رجل واحد سؤال في سوف الارتباط) وظيفة نستخدم هنا للعثور على متوسط ​​الجري هو cv2.accumulateWeighted (). على سبيل المثال، إذا كنا نشاهد فيديو، فإننا نواصل تغذية كل إطار لهذه الوظيفة، وتحافظ الدالة على إيجاد متوسطات جميع الإطارات التي تغذيها وفقا للعلاقة أدناه: سرك ليس سوى صورة المصدر. ويمكن أن يكون الرمادي أو صورة ملونة وإما 8 بت أو 32 بت نقطة عائمة. دست هي صورة الإخراج أو المتراكم مع نفس القنوات مثل صورة المصدر، وهي إما النقطة العائمة 32 بت أو 64 بت. أيضا، يجب أن نعلن ذلك أولا إلى القيمة التي سيتم اتخاذها كقيمة أولية. ألفا هو وزن الصورة المدخلة. وفقا ل دوس، ألفا ينظم سرعة التحديث (مدى سرعة تراكم 8220forgets8221 حول الصور السابقة). وبعبارة بسيطة، إذا كان ألفا قيمة أعلى، يحاول متوسط ​​الصورة التقاط تغييرات سريعة جدا وقصيرة في البيانات. إذا كانت قيمة أقل، يصبح المتوسط ​​بطيئا ولن ينظر في التغييرات السريعة في الصور المدخلات. وسوف أشرح ذلك قليلا مع مساعدة من الصور في نهاية المقال. في رمز أعلاه، لقد حددت متوسطين، واحد مع قيمة ألفا أعلى وآخر مع قيمة ألفا أقل حتى تتمكن من فهم تأثير ألفا. في البداية يتم تعيين كل من الإطار الأولي لالتقاط. وفي حلقة تحصل على تحديث. يمكنك مشاهدة بعض النتائج في رابط سوف الذي قدمته من قبل. (I تقديم هذه النتائج هنا، يمكنك التحقق من رمز وقيمة ألفا هناك): لقد استخدمت كاميرا الويب الخاص بي وحفظ الإطار الأصلي وتشغيل المتوسط ​​في لحظة معينة. هذا هو إطار من الفيديو حركة المرور نموذجية التي اتخذتها كاميرا ثابتة. كما ترون، سيارة تسير على الطريق، والشخص يحاول عبور الطريق في لحظة معينة من الزمن. ولكن انظر متوسط ​​التشغيل في ذلك الوقت. لا يوجد أي شخص وسيارة في هذه الصورة (في الواقع هو هناك، إلقاء نظرة فاحصة، ثم سوف نرى ذلك، والشخص هو أكثر وضوحا من السيارة، لأن السيارة تتحرك بسرعة جدا وعبر الصورة، فإنه ليس كثيرا تأثير في المتوسط، ولكن الشخص هناك لفترة طويلة، لأنه بطيء ويتحرك عبر الطريق.) الآن نحن بحاجة إلى معرفة تأثير ألفا على هذه الصور. همم، يبدو أن هذا كوتيسي إلى وظيفة إمبليمنتكوت هو في الواقع من السهل جدا للحصول على الخطأ، وقد عززت مناقشة جيدة حول كفاءة الذاكرة. I39m سعيدة أن يكون سخام إذا كان ذلك يعني معرفة أن شيء 39 تم القيام به الحق. نداش ريتشارد سيب 20 14 في 19:23 نومبيس عدم وجود وظيفة محددة المجال محددة ربما يرجع إلى انضباط فرق الأساسية والإخلاص لتوجيه نومبيس الرئيسي: توفير نوع صفيف N - الأبعاد. فضلا عن وظائف لإنشاء وفهرسة تلك المصفوفات. مثل العديد من الأهداف التأسيسية، وهذا واحد ليس صغيرا، و نومبي يفعل ذلك ببراعة. يحتوي المختبر الأكبر حجما (أكبر بكثير) على مجموعة أكبر بكثير من المكتبات الخاصة بالنطاق (تسمى سوباكاجيس بواسطة سسيبي ديفس) - على سبيل المثال، التحسين العددي (الأمثل)، معالجة الإشارات (إشارة)، وحساب التفاضل والتكامل المتكامل (التكامل). تخميني هو أن وظيفة كنت بعد في واحد على الأقل من سوباكاجيس سسيبي (scipy. signal ربما) ومع ذلك، أود أن ننظر أولا في جمع سكيتس سسيبي. وتحديد سكيت ذات الصلة (ق) والبحث عن وظيفة من الفائدة هناك. يتم تطوير سكيكتس بشكل مستقل حزم على أساس نومبيسيبي وتوجيهها إلى الانضباط التقني معين (على سبيل المثال سكيتس-إيماج. سكيكيتس-تعلم ... الخ) وكان العديد من هذه (على وجه الخصوص، أوبينوب رهيبة للتحسين العددي) اعتبرت للغاية، مشاريع ناضجة طويلة قبل اختيار الإقامة تحت سيكيتس جديدة نسبيا. صفحة سكيكيتس الرئيسية أحب أن فوق قوائم حوالي 30 هذه سكيتس. على الرغم من أن العديد منها لم يعد قيد التطوير النشط. بعد هذه النصيحة سوف تقودك إلى سكيتس-تيمسيريز ومع ذلك، أن حزمة لم تعد قيد التطوير النشط في الواقع، أصبح بانداس، عفيك، القائم على نومبي القائمة على أساس سلسلة الوقت المكتبة. الباندا لديها العديد من الوظائف التي يمكن استخدامها لحساب المتوسط ​​المتحرك أبسط من هذه ربما رولينغمين. التي تستخدمها مثل ذلك: الآن، مجرد استدعاء الدالة رولينغمين يمر في كائن سلسلة وحجم النافذة. والتي في مثالي أدناه 10 أيام. تحقق من أنها عملت - على سبيل المثال. مقارنة القيم 10-15 في السلسلة الأصلية مقابل سلسلة جديدة ممهدة مع المتداول يعني الدالة رولينغمين، جنبا إلى جنب مع حوالي اثني عشر أو غيرها من وظيفة أخرى يتم تجميعها بشكل غير رسمي في وثائق الباندا تحت إطار نقل الحركة وظائف مجموعة ثانية، ذات الصلة من وظائف في الباندا يشار إليها بوظائف مرجحة أضعافا مضاعفة (مثل إوما، التي تحسب المتوسط ​​المرجح المتحرك أضعافا مضاعفة). حقيقة أن هذه المجموعة الثانية ليست مدرجة في الأولى (تتحرك وظائف نافذة) وربما لأن التحولات المرجحة أضعافا لا تعتمد على نافذة طول ثابت الصور تمهيد ينتمي أدناه إلى كتاب الكمبيوتر الرؤية: خوارزميات وتطبيقات ريتشارد سيليسكي و ليارنينغوبينكف تجانس. وتسمى أيضا التشويش. هو عملية معالجة الصور بسيطة ومتكررة. هناك العديد من الأسباب لتمهيد. في هذا البرنامج التعليمي سوف نركز على تجانس من أجل الحد من الضوضاء (سترى الاستخدامات الأخرى في الدروس التالية). لإجراء عملية تمهيد سوف نقوم بتطبيق فلتر على صورتنا. النوع الأكثر شيوعا من المرشحات خطية. حيث يتم تحديد قيمة pixel8217s الناتج (أي) كمجموع مرجح لقيم بكسل الإدخال (بمعنى:) يساعد على تصور عامل تصفية كنافذة من المعاملات التي تنزلق عبر الصورة. وهناك العديد من أنواع المرشحات، وهنا سوف نذكر الأكثر استخداما: تصفية مربع عادي هذا المرشح هو أبسط من كل كل بكسل الانتاج هو متوسط ​​جيرانها النواة (كل منهم يساهم بأوزان متساوية) نواة أدناه: غاوسيان مرشح ربما المرشح الأكثر فائدة (وإن لم يكن أسرع). يتم تصفية غاوس عن طريق تحويل كل نقطة في صفيف الإدخال مع نواة غاوس ثم تلخيص كل منهم لإنتاج مجموعة المخرجات. فقط لجعل الصورة أكثر وضوحا، وتذكر كيف نواة 1D غاوس تبدو وكأنها على افتراض أن الصورة هي 1D، يمكنك ملاحظة أن بكسل يقع في الوسط سيكون أكبر وزن. ينخفض ​​وزن جيرانها مع زيادة المسافة المكانية بينها وبين بكسل المركز. تذكر أنه يمكن تمثيل غاوس ثنائي الأبعاد على النحو التالي: ميديان فيلتر يعمل المرشح الوسيط على كل عنصر من عناصر الإشارة (في هذه الحالة الصورة) ويستبدل كل بكسل بمتوسط ​​وحدات البكسل المجاورة (الموجود في حي مربع حول البكسل المقيسة ). تصفية الثنائية حتى الآن، شرحنا بعض المرشحات التي الهدف الرئيسي هو تسهيل صورة المدخلات. ومع ذلك، في بعض الأحيان المرشحات لا تذوب فقط الضوضاء، ولكن أيضا على نحو سلس بعيدا حواف. لتجنب هذا (على الأقل إلى حد ما)، يمكننا استخدام مرشح ثنائي. وبطريقة مماثلة للمرشاح الغوسي، يراعي المرشح الثنائي وحدات البكسل المجاورة مع الأوزان المخصصة لكل منها. هذه الأوزان لها عنصرين، الأول منها هو نفس الترجيح المستخدم من قبل مرشح غاوس. ويأخذ العنصر الثاني في الاعتبار الفرق في الكثافة بين البكسل المجاور والبكسل المقيَّم. للحصول على شرح أكثر تفصيلا يمكنك التحقق من هذا الرابط ماذا يفعل هذا البرنامج بتحميل الأحمال تطبيق 4 أنواع مختلفة من المرشحات (شرح في نظرية) وتظهر الصور التي تمت تصفيتها بالتتابع شرح Let8217s تحقق من وظائف أوبينكف التي تنطوي فقط على إجراء تمهيد، منذ بقية هو معروف بالفعل من الآن. مرشح كتلة عادي: أوبينكف يوفر طمس وظيفة لأداء تمهيد مع هذا الفلتر. نحدد 4 وسيطات (مزيد من التفاصيل، راجع المرجع): سرك. مصدر الصورة دست. صورة الوجهة حجم (w، h). يحدد حجم النواة ليتم استخدامها (عرض w بكسل و ارتفاع h بكسل) نقطة (-1، -1). يشير إلى مكان وجود نقطة الارتكاز (البكسل الذي تم تقييمه) فيما يتعلق بالحي. إذا كان هناك قيمة سلبية، ثم يعتبر مركز النواة نقطة ارتساء. يتم تنفيذها من قبل وظيفة غوسيانبلور: هنا نستخدم 4 وسيطات (مزيد من التفاصيل، والتحقق من مرجع أوبينكف):