番号网站怎么做惠州网站建设惠州

番号网站怎么做,惠州网站建设惠州,代理加盟网站,网站简繁体转换代码三、安全帽佩戴识别的设计 3.1、实现思路 本次实验主要是要实现安全帽的佩戴识别#xff0c;在实现识别的基础上验证安全帽佩戴的可行性#xff0c;设计了基于安全帽识别的两个系统#xff0c;动态监测系统和联动门禁系统。 实现安全帽佩戴的识别的实现步骤#xff1a; 1、…三、安全帽佩戴识别的设计3.1、实现思路本次实验主要是要实现安全帽的佩戴识别在实现识别的基础上验证安全帽佩戴的可行性设计了基于安全帽识别的两个系统动态监测系统和联动门禁系统。实现安全帽佩戴的识别的实现步骤1、导入被识别图片2、将图片降噪灰度化3、调用安全帽分类器进行计算4、输出结果。图3-1安全帽识别流程动态检测系统的实现思路:获得视频源1.对视频进行行人识别获得视频中的行人图片2.对获得的行人图片进行灰度化3.对灰度化的图片进行安全帽识别4.得到结果。图3-2动态监测的流程图四、制作安全帽分类器分类器是整个安全帽识别的基石在前文说过现代的图像识别的原理便是通过事先准备好的特征库让机器对图像与特征库里的特征进行匹配比较从而进行判断。分类器就是我们这次实验的特征库通过对正负样本的处理获取安全帽的特征制作成本次实验的安全帽分类器。图4-1训练分类器流程图4.1、获取样本样本的获取有很多种方法从网上寻找图片下载、获取别人的数据集、从视频中分解出图片等等其最终的目的都是获取大量的相关图片。关于样本这里还分为两种一种是实验所要识别的物品的图片称之为正样本另一种为不包含实验所要识别的物品的图片即负样本。对于正样本他所展示的实验识别物品需要尽量的多样化不要只收集实验物品的正面图片单一环境的图片尽可能地拥有各种可能性下出现的物品状态的图片。如在不同灯光照射下的图片、不同角度的图片、被遮掩的图片这样能提高实验的对物品的识别率降低识别时环境因素的干扰。而负样本的话则尽量多元化选择不含实验物品的图片譬如这次实验需要识别安全帽负样本便可选择未戴安全帽的人不包含安全帽的风景照要和正样本要有差别但是也不能差别太大不然会在后面的步骤在第一级就全部被分类器reject训练时不能显示负样本的个数从而导致卡死。本次实验采用对视频流的分解获取图片开启笔记本的摄像头拍摄到佩戴安全帽的人员编写代码使用opencv对视频流的处理对每一帧进行判断识别人脸扩大识别到的范围截取头部及安全帽部分。这样便获得了实验所需的正样本而负样本可以从网上下载。获得正样本数量777负样本数量1349。下面是截取图片的部分代码dets detector(img, 1) dist [] for face in dets: # 将识别的框扩大 left int(face.left()*0.9) top int(face.top()*0.4) right int(face.right()*1.1) bottom int(face.bottom()) global index index index 1 ha img[int(top):int(bottom), int(left):int(right)] cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 2) # 沿着框截取图片保存下来 cv2.imwrite(str(index).jpg,ha,[cv2.IMWRITE_JPEG_QUALITY, 100]) print(index) for k, d in enumerate(dets): shape sp(img, d) face_descriptor facerec.compute_face_descriptor(img, shape) d_test numpy.array(face_descriptor) # 计算欧式距离 for i in descriptors: dist_ numpy.linalg.norm(i - d_test) dist.append(dist_)4.2、样本的预处理灰度化大小规格获取到的样本并不能直接进行训练还需要对其进行预处理。我们对图片进行计算时一般都是到像素点这一层次进行计算的而对于现在的图片一般都是bgr颜色模式即每个像素点都会包含各自b、g、r的值这会让我们对图片进行计算时计算量成倍地加大。在bgr颜色模型中BGR时是一种灰色所以便可以在灰度图片中每一个像素点以一个字节存放灰度值因此将图片转化成灰度图片可以大大减少计算量。正负样本需要转化成灰度图规格统一为25*25或者其他的大小格式。图片的尺寸和规格控制在合适的范围内因为如果图片过大将会产生很多的haar特征不仅影响分类器的工作效率也会增加图片遍历的时间。一般情况下负样本的尺寸要大于或等于正样本图片的尺寸。因此直接将负样本的图片尺寸设置成和正样本想听即可减少图片的遍历的时间和处理的过程。关于图片的预处理的部分代码获得高水平梯度和低垂直梯度的图像区域gradX cv2.Sobel(img_gray, ddepthcv2.CV_32F, dx1, dy0, ksize-1)gradY cv2.Sobel(img_gray, ddepthcv2.CV_32F, dx0, dy1, ksize-1)img_gradient cv2.subtract(gradX, gradY)img_gradient cv2.convertScaleAbs(img_gradient)去除噪声blurred cv2.blur(img_gradient, (9, 9))(_, thresh) cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)填充空白区域kernel cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))closed cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)腐蚀与膨胀closed cv2.erode(thresh, None, iterations4)closed cv2.dilate(thresh, None, iterations4)绘制物体边框(cnts, _) cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)c sorted(cnts, keycv2.contourArea, reverseTrue)[0]rect cv2.minAreaRect©box np.int0(cv2.boxPoints(rect))cv2.drawContours(img_gray, [box], -1, (0, 255, 0), 3)截取区域Xs [i[0] for i in box]Ys [i[1] for i in box]x1 min(Xs)x2 max(Xs)x1_ int((x2-x1)/2-125)x2_ int((x2-x1)/2125)y1 min(Ys)y2 max(Ys)y1_ int((y2 - y1)/2-125)y2_ int((y2 - y1)/2125)cv2.rectangle(img_gray,(x1_,y1_),(x2_,y2_),(0,255,0),2)五、安全帽识别设计与实现本实验利用opencv进行视频流的识别。在对视频进行分析时由于视频是由图片一帧一帧连接起来的所以需要将视频进行分解每几帧便截取一张图片出来分析在分析中需要使用到安全帽相关的特征进行比较关于安全帽的相关特征通过opencv对正负样本的训练得到的安全帽分类器便是所需要的相关特征。最后得到分析结果将分析结果输出。5.1、安全帽识别实现引用安全帽分类器cascade-v2.5.xml将要识别的图片进行与正负样本相同的灰度化处理因为之前的分类器是由灰度化的图片训练出来的为了实验的准确性所以需要将被识别的图片进行灰度化。灰度化之后对图片进行特征对比将对比结果输出采用cv2.rectangle函数对图片识别出的安全帽的边缘进行标识最后通过cv2.imshow进行展示。部分实现代码如下gray cv2.cvtColor(input_img, cv2.COLOR_BGR2GRAY)faces face_cascade.detectMultiScale(gray, 1.09, 1)if faces ! ():color (0, 255, 0)for (xf, yf, wf, hf) in faces:cv2.rectangle(input_img, (xf, yf), (xf wf, yf hf), (0, 255, 0), 2)cv2.imshow(‘frame’, input_img)运行结果图5-1安全帽识别图5-3未戴安全帽的基于人脸的安全帽识别文章底部可以获取博主的联系方式获取源码、查看详细的视频演示或者了解其他版本的信息。所有项目都经过了严格的测试和完善。对于本系统我们提供全方位的支持包括修改时间和标题以及完整的安装、部署、运行和调试服务确保系统能在你的电脑上顺利运行。