File size: 3,241 Bytes
1be8a56 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 |
import cv2
import numpy as np
# استفاده از الگوریتم پیشرفته KNN برای background subtraction
back_sub = cv2.createBackgroundSubtractorKNN(history=500, dist2Threshold=400, detectShadows=True)
# تابع برای محاسبه مرکز (centroid)
def get_centroid(x, y, w, h):
return (int(x + w / 2), int(y + h / 2))
# ایجاد یک فیلتر کالمن برای پیگیری حرکت شیء
kalman = cv2.KalmanFilter(4, 2)
kalman.transitionMatrix = np.array([[1, 0, 1, 0],
[0, 1, 0, 1],
[0, 0, 1, 0],
[0, 0, 0, 1]], np.float32)
kalman.measurementMatrix = np.array([[1, 0, 0, 0],
[0, 1, 0, 0]], np.float32)
kalman.processNoiseCov = np.array([[1e-2, 0, 0, 0],
[0, 1e-2, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]], np.float32)
kalman.errorCovPost = np.eye(4, dtype=np.float32)
kalman.statePost = np.zeros((4, 1), np.float32)
# گرفتن تصویر از دوربین
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if not ret:
break
# تبدیل تصویر به خاکستری
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# دریافت ماسک اشیاء متحرک
fg_mask = back_sub.apply(frame)
# اعمال عملیات مورفولوژیکی برای حذف سایه‌ها و نویز
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, kernel, iterations=1)
fg_mask = cv2.dilate(fg_mask, kernel, iterations=1)
# پیدا کردن کانتورها
contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
area = cv2.contourArea(cnt)
if area > 100: # فقط اشیاء بزرگتر از این اندازه رو بررسی کن
x, y, w, h = cv2.boundingRect(cnt)
centroid = get_centroid(x, y, w, h)
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.circle(frame, centroid, 4, (0, 0, 255), -1)
cv2.putText(frame, "Moving Object", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
# اندازه‌گیری موقعیت شیء و پیش‌بینی با فیلتر کالمن
kalman.correct(np.array([x + w / 2, y + h / 2], np.float32))
prediction = kalman.predict()
# استخراج مقادیر پیش‌بینی شده
predicted_x, predicted_y = int(prediction[0, 0]), int(prediction[1, 0])
# رسم موقعیت پیش‌بینی شده
cv2.circle(frame, (predicted_x, predicted_y), 4, (255, 0, 0), -1)
# نمایش تصویر پردازش شده
cv2.imshow('Real-Time Object Tracking with Kalman Filter', frame)
# خروج از برنامه با کلید ESC
if cv2.waitKey(1) & 0xFF == 27:
break
cap.release()
cv2.destroyAllWindows()
|