{"id":14277,"url":"\/distributions\/14277\/click?bit=1&hash=17ce698c744183890278e5e72fb5473eaa8dd0a28fac1d357bd91d8537b18c22","title":"\u041e\u0446\u0438\u0444\u0440\u043e\u0432\u0430\u0442\u044c \u043b\u0438\u0442\u0440\u044b \u0431\u0435\u043d\u0437\u0438\u043d\u0430 \u0438\u043b\u0438 \u0437\u043e\u043b\u043e\u0442\u044b\u0435 \u0443\u043a\u0440\u0430\u0448\u0435\u043d\u0438\u044f","buttonText":"\u041a\u0430\u043a?","imageUuid":"771ad34a-9f50-5b0b-bc84-204d36a20025"}
NTA

Обнаружение объектов без использования машинного обучения

Сегодня мы разберём как найти объекты на изображениях с камер видеонаблюдения, не прибегая к использованию больших вычислительных мощностей.

Наша основная задача - найти на изображениях с камер видеонаблюдения световые оповещатели - таблички с надписью «выход», расположенные над дверями в зданиях в любых местах, чтобы провести анализ нарушений светится табличка или нет, не прибегая к использованию больших вычислительных мощностей. Поэтому мы не будем использовать машинное обучение. Мы разберем один из вариантов, как решить данную задачу. Для этого будем использовать библиотеку Opencv-python. Она содержит методы обработки изображения и алгоритмы компьютерного зрения. Перейдем к краткому описанию подготовки данных и работе алгоритма, а также установке необходимых библиотек.

У нас есть папка с изображениями, где мы будем искать объекты. Во второй папке у нас есть изображения объектов - табличек с надписью «выход». Чтобы сделать алгоритм более универсальным, с помощью геометрических изменений мы подготовим объекты и поместим их также во вторую папку. Эти две папки передаются на вход. Далее берется одно изображение и с помощью цикла происходит сопоставление шаблонов со всеми объектами. Сопоставление шаблонов – метод поиска области изображения похожих на шаблон. Суть данного метода в том, чтобы найти идентичную область изображения, которая соответствует шаблону. В результате мы получим на каких изображениях были найдены таблички «выход» и папку с изображениями, на которых нужные объекты выделены рамкой.

Библиотеки, которые будут использоваться:

Numpy - библиотека для числовых операций.

Os для работы с операционной системой.

Opencv-python – библиотека компьютерного зрения

Перед использованием каждой библиотеки проверьте, что она установлена:

pip install opency-python numpy os

Главное соблюдать ограничения по работе, без них алгоритм может выполняться с ошибкой. Рассмотрим основные ограничения.

Основные ограничения по работе с исходным кодом в примерах:

· Фиксированная структура папок.

· Для корректной работы все блоки надо запускать последовательно.

· Прописывать пути к файлам и папкам, не трогать переменные, которые не заключены в кавычки.

Теперь можем приступить к работе с входными данными.

Описание подготовки входных данных

Купить рекламу Отключить

Импортируем библиотеки.

import numpy as np import os import cv2

Перейдем к подготовке объектов для поиска.

Геометрические изменения

Подготовим объекты с помощью геометрических изменений. Если наш объект лежит под другим углом в отличии от объекта, расположенного на изображении поиска, то алгоритм его распознает. Для этого будем отображать объект по осям XYZ и использовать зеркальное отображение. Преобразованные объекты помещаем в одну папку с исходными табличками «Выход». Для этого в строке сохранения укажем путь к папке с объектами поиска.

xz=0 #Переменная нужна для создания уникальных файлов. def sim_xyz(c,x, img): #Аргумент с-определение угла по ХZ в системе координат XYZ. # Аргумент х- определение угла по YZ в системе координат XYZ. global xz hieght,width = img.shape[:2] #Высота и ширина изображения. for i in range(100): #Цикл для прогона скрипта. xz+=1 # Отражение по оси XYZ. M = np.float32([[1,c,0],[x,1,0],[0,0,1]]) #Преобразование углов. res = cv2.warpPerspective(img, M,(int(hieght*2.3), int(width*2))) #Объект подставляем в преобразованные углы. cv2.imwrite(r'C:\Users\Desktop\data_train2\\'+str(xz)+'_sim.png', res) #Сохраняем измененное изображение. xz+=1 # Зеркальное отражение. flip_img = cv2.flip(res,1) #Отображаем зеркально. cv2.imwrite(r'C:\Users\Desktop\data_train2\\'+str(xz)+'_sim.png', flip_img) #Сохраняем объект. xz+=1 # Отображение по углам от -180 до 180 оси XY. center = (width/2, hieght/2) #Высчитываем центр. for i in range(0, 45, 10): #Для каждго объекта будет применен угол от 0 до 45 по оси XY. xz+=1 m = cv2.getRotationMatrix2D(center, i, 1.0)#Вращение относительно центра на заданный угол. rotated = cv2.warpAffine(res, m, (int(width*2.3),int(hieght*2))) #Подставляем объект в заданные параметры. flip_img_rot = cv2.flip(rotated,1) #Зеркальное отображение для каждого шага. cv2.imwrite(r'C:\Users\Desktop\data_train2\\'+str(xz)+'_sim.png', rotated) #Сохраняем. xz+=1 cv2.imwrite(r'C:\Users\Desktop\data_train2\\'+str(xz)+'_sim.png', flip_img_rot) #Сохраняем зеркальное отображение. if c != 0:#Условие для изменения углов В оси XYZ. c+=0.06 if x != 0: x+=0.06 if c >0.5 or x>0.5: # Если угол больше 0.5 выполнение цикла останавливается. break directory = os.listdir(r'C:\Users\Desktop\data_train')#Находим список необходимых файлов для поиска. for file in directory: #Берем каждый файл из списка по отдельности. image = cv2.imread(r'C:\Users\Desktop\data_train\\'+file) sim_xyz(c=0.02, x=0,img=image) sim_xyz(c=0, x=0.02,img=image) sim_xyz(c=0.02, x=0.02,img=image)

На выходе получим папку с преобразованными объектами.

Теперь у нас готова вторая папка, где хранятся объекты. Мы закончили подготовку входных данных. Можем переходить к основной части алгоритма. Распознавание объектов.

Работа с алгоритмом распознавания объектов

Основная логика алгоритма строится на библиотеке оpencv-python. Используем метод matchTemplate для сопоставления шаблонов. Сначала прописываем пути к преобразованным изображениям. Далее читаем каждое изображение для работы. В алгоритме также используется пороговое значение, необходимое для точности определения области изображения.

xz = 0 data_exit = os.listdir('Desktop/data_train2') #Папка с файлами, которые ищем. data = os.listdir('Desktop/data/open') #Пака с файлами где ищем. for dir in data: data_1 = os.listdir('Desktop/data/open//'+dir+'//word/media') #Переходим в одну из папок. for screen in data_1: #Берем каждое по отдельности изображение в папке src = cv2.imread(r'C:\Users\Desktop\data\open\\'+dir+'\\word\media\\'+screen) #Читаем файл try: #Обработка ошибок. src.shape except AttributeError: continue gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) #Переводим изображение в оттенки серого. i = 0 #переменная счетчик для количества проходов. print(f'Проверка {screen}...') for exit in data_exit: #Цикл начинает брать все файлы из папки, которые ищем. a = [[[[]]]] #Переменная для проверки. img__1 = cv2.imread(r'C:\Users\Desktop\data_train2\\'+exit) #Читаем файл. gray_1 = cv2.cvtColor(img__1, cv2.COLOR_BGR2GRAY) #Каждый файл переводим в оттенки серого. w,h = gray_1.shape[::-1] #Записываем размер изображения. res = cv2.matchTemplate(gray,gray_1,cv2.TM_CCOEFF_NORMED) #Сопоставляем шаблоны. threshould = 0.85 #Пороговое значение. loc = np.where(res>=threshould)#Сохраняем в переменную значения, больше for pt in zip(*loc[::-1]): #Выбираем каждое значение. a = cv2.rectangle(src, pt, (pt[0]+w, pt[1]+h), (0,0,255),3) #Рисуем рамку. break i +=1 if a[0][0][0] == []: #Проверка на наличие рисунка на изображении. continue else: xz+=1 cv2.imshow('sta', src) cv2.waitKey(0) sk_marked = r'C:\Users\Desktop\data\open\\'+dir+'\\word\media\\'+screen#Ссылка на изображение. cv2.imwrite(r'C:\Users\Desktop\marked\\'+str(xz)+'_marked.png', src)#Сохраняем изображение. break

Пример изображения с найденным объектом

На выходе мы получаем папку с изображениями, где были найдены необходимые объекты.

После всех преобразований мы получили изображения с найденными объектами и можем провести анализ нарушений светится табличка «Выход» или нет. В итоге у нас получился готовый алгоритм для распознавания объектов без применения машинного обучения. Алгоритм универсален, его можно использовать для поиска любых простых геометрических объектов и не требуется обучать модель машинного обучения, но при этом мы уступаем в скорости выполнения распознавания объектов. Данный алгоритм вы можете использовать, если не хотите тратить время на написание и обучение моделей машинного обучения, или если нет необходимых вычислительных мощностей.

13 показов
3.5K открытий
0
Комментарии
Написать комментарий...
-3 комментариев
Раскрывать всегда