Практика проектов на C++ OpenCV
Практика проектов OpenCV — это процесс применения теоретических знаний к реальным задачам.
Благодаря практике проектов вы сможете закрепить свои навыки работы с OpenCV и решать реальные задачи компьютерного зрения.
Ниже приведены распространённые типы проектов OpenCV:
Проекты по обработке изображений: такие как фильтры изображений, восстановление изображений, улучшение изображений и т. д.
Проекты по обнаружению и отслеживанию объектов: такие как обнаружение лиц, распознавание номерных знаков, отслеживание движущихся целей и т. д.
Проекты по глубокому обучению: такие как классификация изображений, обнаружение объектов, семантическая сегментация и т. д.
Проекты по обработке видео: такие как анализ видео, обработка видео в реальном времени, видеоэффекты и т.д.
Простые проекты
Приложение для фильтрации изображений
Фильтры изображений — одна из базовых операций в обработке изображений. Применяя различные фильтры, можно изменить внешний вид и стиль изображения.
OpenCV предоставляет богатый набор функций для реализации различных эффектов фильтрации изображений.
Фильтр оттенков серого
Фильтр оттенков серого — это процесс преобразования цветного изображения в изображение в оттенках серого. Изображение в оттенках серого имеет только один канал, и значение каждого пикселя представляет яркость.
Пример
int main() {
cv::Mat image = cv::imread("input.jpg");
cv::Mat grayImage;
cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);
cv::imwrite("gray_output.jpg", grayImage);
return 0;
}
Размытие по Гауссу
Размытие по Гауссу — часто используемый фильтр размытия, который позволяет эффективно удалять шум с изображения.
Пример
int main() {
cv::Mat image = cv::imread("input.jpg");
cv::Mat blurredImage;
cv::GaussianBlur(image, blurredImage, cv::Size(15, 15), 0);
cv::imwrite("blurred_output.jpg", blurredImage);
return 0;
}
В следующем примере реализовано приложение для фильтрации изображений, поддерживающее несколько эффектов фильтрации (таких как оттенки серого, размытие, обнаружение краёв и т. д.).
Пример
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Прочитать изображение
Mat image = imread("image.jpg");
if (image.empty()) {
cout << "Ошибка: не удалось загрузить изображение, проверьте, правильно ли указан путь." << endl;
return -1;
}
// Преобразовать в оттенки серого
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
// Размытие по Гауссу
Mat blurred;
GaussianBlur(image, blurred, Size(15, 15), 0);
// Обнаружение краёв
Mat edges;
Canny(image, edges, 100, 200);
// Отобразить результат
imshow("Исходное изображение", image);
imshow("Серое изображение", gray);
imshow("Размытое изображение", blurred);
imshow("Края", edges);
// Сохранить результат
imwrite("gray_image.jpg", gray);
imwrite("blurred_image.jpg", blurred);
imwrite("edges.jpg", edges);
waitKey(0);
return 0;
}
Обнаружение лиц в реальном времени
Обнаружение лиц в реальном времени — важное применение в компьютерном зрении.
OpenCV предоставляет предварительно обученный каскадный классификатор Хаара, который можно использовать для обнаружения лиц на изображениях или в видео.
Шаги реализации:
Загрузите модель каскадного классификатора Хаара.
Откройте камеру или видеофайл.
Выполните обнаружение лиц на каждом кадре.
Нанесите результаты обнаружения и отобразите их.
Пример
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Загрузить каскадный классификатор Хаара
CascadeClassifier faceCascade;
if (!faceCascade.load("haarcascade_frontalface_default.xml")) {
cout << "Ошибка: не удалось загрузить каскадный классификатор Хаара!" << endl;
return -1;
}
// Откройте камеру
VideoCapture cap(0);
if (!cap.isOpened()) {
cout << "Ошибка: не удалось открыть камеру!" << endl;
return -1;
}
// Обнаружение лиц в реальном времени
Mat frame;
while (true) {
cap >> frame;
if (frame.empty()) break;
// Преобразовать в оттенки серого
Mat gray;
cvtColor(frame, gray, COLOR_BGR2GRAY);
// Обнаружение лиц
vector<Rect> faces;
faceCascade.detectMultiScale(gray, faces, 1.1, 3, 0, Size(30, 30));
// Отобразить результаты обнаружения
for (const auto& face : faces) {
rectangle(frame, face, Scalar(0, 255, 0), 2);
}
// Отобразить результат
imshow("Обнаружение лиц", frame);
// Нажмите ESC для выхода
if (waitKey(30) == 27) break;
}
// Освободить ресурсы
cap.release();
destroyAllWindows();
return 0;
}
Распознавание номерных знаков
Распознавание номерных знаков — одна из ключевых технологий в интеллектуальных транспортных системах.
OpenCV можно использовать для обнаружения номерных знаков и распознавания символов.
Пример
int main() {
cv::Mat image = cv::imread("car.jpg");
cv::Mat grayImage;
cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);
cv::CascadeClassifier plateCascade;
plateCascade.load("haarcascade_russian_plate_number.xml");
std::vector<cv::Rect> plates;
plateCascade.detectMultiScale(grayImage, plates, 1.1, 2, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(30, 30));
for (const auto& plate : plates) {
cv::rectangle(image, plate, cv::Scalar(0, 255, 0), 2);
}
cv::imwrite("plate_output.jpg", image);
return 0;
}
Сложные проекты
AR-приложение на основе OpenCV
Дополненная реальность (AR) — это технология, которая накладывает виртуальную информацию на реальный мир.
OpenCV можно использовать для реализации простых AR-приложений, например для наложения виртуальных объектов на изображения.
Пример
int main() {
cv::Mat image = cv::imread("background.jpg");
cv::Mat overlay = cv::imread("overlay.png", cv::IMREAD_UNCHANGED);
cv::resize(overlay, overlay, cv::Size(100, 100));
cv::Mat roi = image(cv::Rect(50, 50, overlay.cols, overlay.rows));
overlay.copyTo(roi, overlay);
cv::imwrite("ar_output.jpg", image);
return 0;
}
Видеонаблюдение и обнаружение движения
Видеонаблюдение и обнаружение движения — важные функции в системах охранного мониторинга. OpenCV можно использовать для обнаружения движущихся объектов в видео.
Пример
int main() {
cv::VideoCapture cap(0);
if (!cap.isOpened()) {
std::cerr << "Ошибка открытия видеопотока" << std::endl;
return -1;
}
cv::Mat frame, prevFrame, diffFrame;
cap >> prevFrame;
cv::cvtColor(prevFrame, prevFrame, cv::COLOR_BGR2GRAY);
while (true) {
cap >> frame;
if (frame.empty()) break;
cv::Mat grayFrame;
cv::cvtColor(frame, grayFrame, cv::COLOR_BGR2GRAY);
cv::absdiff(grayFrame, prevFrame, diffFrame);
cv::threshold(diffFrame, diffFrame, 30, 255, cv::THRESH_BINARY);
cv::imshow("Обнаружение движения", diffFrame);
if (cv::waitKey(1) == 27) break; // клавиша ESC для выхода
prevFrame = grayFrame.clone();
}
cap.release();
cv::destroyAllWindows();
return 0;
}
Многообъектное отслеживание
Многообъектное отслеживание — сложная задача в компьютерном зрении, включающая одновременное отслеживание нескольких объектов в видео. OpenCV предоставляет несколько алгоритмов отслеживания, таких как KCF, MIL и CSRT.
Пример
#include <opencv2/tracking.hpp>
int main() {
cv::VideoCapture cap("video.mp4");
if (!cap.isOpened()) {
std::cerr << "Ошибка открытия видеопотока" << std::endl;
return -1;
}
cv::Ptr<cv::MultiTracker> multiTracker = cv::MultiTracker::create();
cv::Mat frame;
cap >> frame;
std::vector<cv::Rect> bboxes;
cv::selectROIs("Отслеживание", frame, bboxes);
for (const auto& bbox : bboxes) {
multiTracker->add(cv::TrackerKCF::create(), frame, bbox);
}
while (true) {
cap >> frame;
if (frame.empty()) break;
multiTracker->update(frame);
for (const auto& bbox : multiTracker->getObjects()) {
cv::rectangle(frame, bbox, cv::Scalar(255, 0, 0), 2);
}
cv::imshow("Отслеживание нескольких объектов", frame);
if (cv::waitKey(1) == 27) break; // клавиша ESC для выхода
}
cap.release();
cv::destroyAllWindows();
return 0;
}
Проекты по глубокому обучению: обнаружение объектов (YOLO)
Используйте модель YOLO для реализации обнаружения объектов.
Шаги реализации:
Загрузите модель YOLO и файл конфигурации.
Загрузите метки классов.
Предварительно обработайте входное изображение.
Запустите модель и разберите результаты обнаружения.
Нарисуйте ограничивающие рамки и отобразите результаты.
Пример
#include <opencv2/dnn.hpp>
#include <iostream>
using namespace cv;
using namespace dnn;
using namespace std;
int main() {
// Загрузить модель YOLO
Net net = readNet("yolov3.weights", "yolov3.cfg");
if (net.empty()) {
cout << "Ошибка: не удалось загрузить модель YOLO!" << endl;
return -1;
}
// Загрузка меток классов
ifstream classNamesFile("coco.names");
vector<string> classNames;
string className;
while (getline(classNamesFile, className)) {
classNames.push_back(className);
}
// Загрузка изображения
Mat image = imread("image.jpg");
if (image.empty()) {
cout << "Ошибка: не удалось загрузить изображение, проверьте, правильно ли указан путь." << endl;
return -1;
}
// Предварительная обработка изображения
Mat blob = blobFromImage(image, 1 / 255.0, Size(416, 416), Scalar(0, 0, 0), true, false);
net.setInput(blob);
// Прямой проход
vector<Mat> outs;
net.forward(outs, net.getUnconnectedOutLayersNames());
// Разбор результатов обнаружения
float confThreshold = 0.5; // Порог уверенности
vector<int> classIds;
vector<float> confidences;
vector<Rect> boxes;
for (const auto& output : outs) {
for (int i = 0; i < output.rows; i++) {
Mat scores = output.row(i).colRange(5, output.cols);
Point classIdPoint;
double confidence;
minMaxLoc(scores, nullptr, &confidence, nullptr, &classIdPoint);
if (confidence > confThreshold) {
int centerX = static_cast<int>(output.at<float>(i, 0) * image.cols);
int centerY = static_cast<int>(output.at<float>(i, 1) * image.rows);
int width = static_cast<int>(output.at<float>(i, 2) * image.cols);
int height = static_cast<int>(output.at<float>(i, 3) * image.rows);
int left = centerX - width / 2;
int top = centerY - height / 2;
classIds.push_back(classIdPoint.x);
confidences.push_back(static_cast<float>(confidence));
boxes.push_back(Rect(left, top, width, height));
}
}
}
// Подавление немаксимумов
float nmsThreshold = 0.4; // Порог NMS
vector<int> indices;
NMSBoxes(boxes, confidences, confThreshold, nmsThreshold, indices);
// Отобразить результаты обнаружения
for (int idx : indices) {
Rect box = boxes[idx];
rectangle(image, box, Scalar(0, 255, 0), 2);
string label = format("%s: %.2f", classNames[classIds[idx]].c_str(), confidences[idx]);
putText(image, label, Point(box.x, box.y - 10), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 2);
}
// Отобразить результат
imshow("Обнаружение объектов", image);
waitKey(0);
return 0;
}
Проекты обработки видео: видеоэффекты в реальном времени
Реализуйте приложение для видеоэффектов в реальном времени, поддерживающее несколько эффектов (таких как обнаружение краёв, размытие, инверсия цвета и т. д.).
Шаги реализации:
Откройте камеру или видеофайл.
Применяйте эффекты к каждому кадру.
Отображайте обработанное видео.
Пример
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Откройте камеру
VideoCapture cap(0);
if (!cap.isOpened()) {
cout << "Ошибка: не удалось открыть камеру!" << endl;
return -1;
}
// Обработка видеокадров в реальном времени
Mat frame, edges;
while (true) {
cap >> frame;
if (frame.empty()) break;
// Обнаружение краёв
Canny(frame, edges, 100, 200);
// Отобразить результат
imshow("Исходный кадр", frame);
imshow("Края", edges);
// Нажмите ESC для выхода
if (waitKey(30) == 27) break;
}
// Освободить ресурсы
cap.release();
destroyAllWindows();
return 0;
}