前言

提示：以下是本篇文章正文内容，下面案例可供参考

一、确保电脑存在相机等硬件设备

我的电脑没有相机硬件设备，于是我通过手机在局域网的状态下进行图像传输到电脑上，在这里特别推荐软件：DroidCam Client 建议大家按照情况自行安装。

二、主要使用代码

import os
import cv2
import time
import numpy as npdef py_nms(dets, thresh):#（模板匹配得到的符合范围的矩阵值，抑制的阈值）"""Pure Python NMS baseline."""# x1、y1、x2、y2、以及score赋值# （x1、y1）（x2、y2）为box的左上和右下角标x1 = dets[:, 0]y1 = dets[:, 1]#左上角的坐标值x2 = dets[:, 2]y2 = dets[:, 3]#右下角的阈值scores = dets[:, 4]# 每一个候选框的面积areas = (x2 - x1 + 1) * (y2 - y1 + 1)# order是按照score降序排序的，从大到小order = scores.argsort()[::-1]# print("order:",order)keep = []while order.size > 0:i = order[0]keep.append(i)# 计算当前概率最大矩形框与其他矩形框的相交框的坐标，会用到numpy的broadcast机制，得到的是向量xx1 = np.maximum(x1[i], x1[order[1:]])yy1 = np.maximum(y1[i], y1[order[1:]])xx2 = np.minimum(x2[i], x2[order[1:]])yy2 = np.minimum(y2[i], y2[order[1:]])# 计算相交框的面积,注意矩形框不相交时w或h算出来会是负数，用0代替w = np.maximum(0.0, xx2 - xx1 + 1)h = np.maximum(0.0, yy2 - yy1 + 1)inter = w * h# 计算重叠度IOU：重叠面积/（面积1+面积2-重叠面积）ovr = inter / (areas[i] + areas[order[1:]] - inter)# 找到重叠度不高于阈值的矩形框索引inds = np.where(ovr <= thresh)[0]# print("inds:",inds)# 将order序列更新，由于前面得到的矩形框索引要比矩形框在原order序列中的索引小1，所以要把这个1加回来order = order[inds + 1]return keepdef template(img_gray, template_img, template_threshold):'''img_gray:待检测的灰度图片格式template_img:模板小图，也是灰度化了template_threshold:模板匹配的置信度'''h, w = template_img.shape[:2]#获取模板的高和宽res = cv2.matchTemplate(img_gray, template_img, cv2.TM_CCOEFF_NORMED)#模板匹配的方式start_time = time.time()loc = np.where(res >= template_threshold)  # 大于模板阈值的目标坐标，返回的就是矩阵的行列索引值，其中行坐标为坐标的y值，列坐标为x值score = res[res >= template_threshold]# 大于模板阈值的目标置信度cv2.matchTemplate(img_gray, template_img, cv2.TM_CCOEFF_NORMED)[res >= template_threshold]完整写法# 将模板数据坐标进行处理成左上角、右下角的格式xmin = np.array(loc[1])#列坐标为x值ymin = np.array(loc[0])#横坐标为y值xmax = xmin + wymax = ymin + hxmin = xmin.reshape(-1, 1)  # 变成n行1列维度xmax = xmax.reshape(-1, 1)  # 变成n行1列维度ymax = ymax.reshape(-1, 1)  # 变成n行1列维度ymin = ymin.reshape(-1, 1)  # 变成n行1列维度score = score.reshape(-1, 1)  # 变成n行1列维度data_hlist = []data_hlist.append(xmin)data_hlist.append(ymin)data_hlist.append(xmax)data_hlist.append(ymax)data_hlist.append(score)data_hstack = np.hstack(data_hlist)  # 将xmin、ymin、xmax、yamx、scores按照列进行拼接       np.hstack():在水平方向上平铺  np.vstack():在竖直方向上堆叠thresh = 0.3  # NMS里面的IOU交互比阈值keep_dets = py_nms(data_hstack, thresh)#进行非极大值抑制print("nms time:", time.time() - start_time)  # 打印数据处理到nms运行时间dets = data_hstack[keep_dets]  # 最终的nms获得的矩形框return detsdef saveresult(name,file,img_rgb):isExists = os.path.exists("./"+ str(name)+'/')if not isExists:  # 判断如果文件不存在,则创建os.makedirs("./"+ str(name)+'/')print("./"+ str(name)+'/'+"目录创建成功")out =str(file.split('.')[0])filename="./"+ name+'/%s.jpg'%(out)print('已匹配图片：'+filename)cv2.imwrite(filename, img_rgb)def savecut(name,file,cut):isExists = os.path.exists("./"+ str(name)+'/')if not isExists:  # 判断如果文件不存在,则创建os.makedirs("./"+ str(name)+'/')print("./"+ str(name)+'/'+"目录创建成功")out =str(file.split('.')[0])filename="./"+ name+'/%s.jpg'%(out)print('已裁切图片：'+filename)cv2.imwrite(filename, cut)def camera(camera, save_path):cap = cv2.VideoCapture(camera)  # 打开摄像头'''frame_width=cap.get(cv2.CAP_PROP_FRAME_WIDTH)#获得视频尺寸——宽frame_height=cap.get(cv2.CAP_PROP_FRAME_HEIGHT)#高fps = cap.get(cv2.CAP_PROP_FPS)#获取视频fpsprint("[INFO]视频FPS:{}".format(fps))print("[INFO]视频宽:{}".format(frame_width))print("[INFO]视频高:{}".format(frame_height))#frame_all_fps=cap.get(cv2.CAP_PROP_FRAME_COUNT)#获取视频总帧数#print("[INFO]视频总帧数:{}".format(frame_all_fps))'''if not cap.isOpened():print("未打开摄像头!")else:print("已打开摄像头，任务开始!")frame_index = 1  # 图片计数retval, frame = cap.read()  # 这里是读取视频帧，第一个参数输出是否识别到，第二个参数输出识别到的图像帧while retval:  # 当读到图像帧时if cv2.waitKey(1) & 0xFF == ord('q'):  # 中断采集breakif frame_index == 101:  # 拍摄多少张停止breakprint(frame_index)cv2.imshow("camera_frame", frame)  # 显示视频帧cv2.waitKey(100)  # 间隔100ms拍摄一张图片save1 = str(save_path)             # jpg格式图片存放文件夹的路径isExists = os.path.exists(save1)if not isExists:  # 判断如果文件不存在,则创建os.makedirs(save1)frame_name1 = f"camera_frame_{frame_index}.jpg"frame_name2 = str(frame_name1.split('.')[0])save1 = save1 + frame_name1retval, frame = cap.read()cv2.imwrite(save1, frame)  # 保存拍摄的图片file1 = os.path.join(save1)img_rgb = cv2.imread(file1)  # 需要检测的图片img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)  # 转化成灰色template_img = cv2.imread('mb.jpg', 0)  # 模板小图template_threshold = 0.5  # 模板置信度dets = template(img_gray, template_img, template_threshold)for coord in dets:cv2.rectangle(img_rgb, (int(coord[0]), int(coord[1])), (int(coord[2]), int(coord[3])), (0, 0, 255),2)saveresult('save', frame_name2, img_rgb)if [int(coord[1]), int(coord[3]), int(coord[0]), int(coord[2])] == [0, 0, 0, 0]:print("未识别到物体")else:cut = img_rgb[int(coord[1]):int(coord[3]), int(coord[0]):int(coord[2])]  # 裁切坐标为（y0:y1，x0:x1）savecut('savepicture', frame_name2, cut)frame_index += 1cv2.destroyAllWindows()cap.release()if __name__ == "__main__":camera(0, "./images/")  #启动相机然后保存拍摄的图片print("***********************************************************************************")print('**                              已完成模板匹配任务                                  **')print("***********************************************************************************")"""
参数                      propld  功能
cv2.CAP_PROP_POS_MSEC       0   视频文件的当前位置（以毫秒为单位）或视频捕获时间戳
cv2.CAP_PROP_POS_FRAMES     1   基于0的索引将被解码/捕获下一帧
cv2.CAP_PROP_POS_AVI_RATIO  2   视频文件的相对位置：0 - 视频的开始，1 - 视频的结束
cv2.CAP_PROP_FRAME_WIDTH    3   帧的宽度
cv2.CAP_PROP_FRAME_HEIGHT   4   帧的高度
cv2.CAP_PROP_FPS            5   帧速
cv2.CAP_PROP_FOURCC         6   4个字符表示的视频编码器格式
cv2.CAP_PROP_FRAME_COUNT    7   帧数
cv2.CAP_PROP_FORMAT         8   byretrieve()返回的Mat对象的格式
cv2.CAP_PROP_MODE           9   指示当前捕获模式的后端特定值
cv2.CAP_PROP_BRIGHTNESS     10  图像的亮度（仅适用于相机）
cv2.CAP_PROP_CONTRAST       11  图像对比度（仅适用于相机）
cv2.CAP_PROP_SATURATION     12  图像的饱和度（仅适用于相机）
cv2.CAP_PROP_HUE            13  图像的色相（仅适用于相机）
cv2.CAP_PROP_GAIN           14  图像的增益（仅适用于相机）
cv2.CAP_PROP_EXPOSURE       15  曝光（仅适用于相机）
cv2.CAP_PROP_CONVERT_RGB    16  表示图像是否应转换为RGB的布尔标志
cv2.CAP_PROP_WHITE_BALANCE  17  目前不支持
cv2.CAP_PROP_RECTIFICATION  18  立体摄像机的整流标志
"""

下面是效果展示

1.模板图像

2.拍摄图片

3.匹配效果

4.提取效果

整体上，可以实现一开始想要的效果

总结

整体上，可以实现想要的效果，很感谢CSDN上众多无私的代码分享者。希望我们共同进步，如果与任何建议，欢迎大家留言讨论。要是喜欢的话欢迎大家给我点赞。

Python相机自动采集图像，然后模板匹配、自动截取保存图片相关推荐

【python版CV】图像轮廓模板匹配
文章目录 1.图像轮廓 1.1 findContours函数: 1.2 获取轮廓信息(可能会报错原因) 1.3 绘制轮廓: 1.4 轮廓特征: 1.5 轮廓近似: 1.6 边界矩形 2.模板匹配 3. ...
python cv2 matchtemplate_OpenCV-Python系列十：模板匹配
模板匹配应用的场景非常多,OCR(字符识别),目标检测.定位等等.OpenCV中,你可以使用cv2.matchTemplate()来完成.对于其中的计算原理,可参考如下博客: cv2.matchTem ...
android相机采集sdk,C#用basler相机sdk采集图像并用halcon显示的小程序
C#用basler相机sdk采集图像并用halcon显示的小程序 C#用basler相机sdk采集图像并用halcon显示的小程序本人在用halcon做图像处理做视觉项目时,通常都是用c#写程序的主 ...
用c语言对图像进行模板匹配,[转载]模板匹配的基本概念
简单而言,模板就是一幅已知的小图像.模板匹配就是在一幅大图像中搜寻目标,已知该图中有要找的目标,且该目标同模板有相同的尺寸.方向和图像,通过一定的算法可以在图中找到目标,确定其坐标位置. 以8 位 ...
VS(C#)调用Basler相机SDK采集图像及基本功能设定
注意一定要安装那个巴斯勒的程序后在运行代码 ,要不然就报什么组建错误注:博主看着另外一个博主的博客才有下面的一些总结,有兴趣可以看一下:https://blog.csdn.net/qq_39930 ...
python中括号配对检测_使用模板匹配在Python上进行对象检测！（附代码）
了解如何在没有机器学习或任何框架的情况下在Python上进行对象检测每当我们听说" 对象检测 "时,我们就会想到机器学习以及不同的框架.但是我们实际上可以在不使用机器学习或任何其 ...
python opencv数字识别_基于模板匹配的手写数字识别(python+opencv)
智能计算课第一周的实验是做基于模板匹配的手写数字识别,光听见就很感兴趣,于是决定认真做做这个实验,本实验基于python3+opencv的python版本,所用到的知识都比较简单,基本上边学边做,技术 ...
自动采集的网站源码-自动采集发布的电影小说新闻网站程序源码
自动采集网站源码,有不少SEO的同伴们都在找可以自动采集网站源码,但是这种源码真的好吗?首先可以自动采集的网站源码程序,规则也是别人写好的,采集的内容也是别人用过的,对于网站收录肯定不是那么友好.我们 ...
对超级大的图像做模板匹配
opencv对一张(1000000,10000000,3)的图片做模板匹配时,会出现segmention fault错误所以我设计了一种纵向切割图像的算法,模板过大则不适用文件夹结构: 里面的pn ...

Python相机自动采集图像，然后模板匹配、自动截取保存图片

前言

一、确保电脑存在相机等硬件设备

二、主要使用代码

整体上，可以实现一开始想要的效果

总结

整体上，可以实现想要的效果，很感谢CSDN上众多无私的代码分享者。希望我们共同进步，如果与任何建议，欢迎大家留言讨论。要是喜欢的话欢迎大家给我点赞。

Python相机自动采集图像，然后模板匹配、自动截取保存图片相关推荐

最新文章

热门文章