File size: 3,590 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 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 |
import cv2
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
# 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))
# تابع برای کاهش نویز
def apply_noise_reduction(fg_mask):
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, kernel, iterations=2)
fg_mask = cv2.dilate(fg_mask, kernel, iterations=1)
return fg_mask
# تابع برای تشخیص جهت حرکت
def detect_direction(prev, curr):
dx = curr[0] - prev[0]
dy = curr[1] - prev[1]
if abs(dx) > abs(dy):
return "Right" if dx > 0 else "Left"
else:
return "Down" if dy > 0 else "Up"
# گرفتن تصویر از دوربین
cap = cv2.VideoCapture(0)
# مدل KNN
knn = KNeighborsClassifier(n_neighbors=3)
# داده‌های آموزشی و برچسب‌ها
object_features = []
object_labels = []
# تنظیمات آموزش دوره‌ای
learning_interval = 30
frame_count = 0
# نگه‌داری آخرین موقعیت centroid برای دنبال کردن مسیر
prev_centroids = []
while True:
ret, frame = cap.read()
if not ret:
break
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
fg_mask = back_sub.apply(frame)
fg_mask = apply_noise_reduction(fg_mask)
contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
current_centroids = []
for cnt in contours:
area = cv2.contourArea(cnt)
if area > 100:
x, y, w, h = cv2.boundingRect(cnt)
centroid = get_centroid(x, y, w, h)
current_centroids.append(centroid)
# استخراج ویژگی‌ها
features = [w, h, centroid[0], centroid[1], area]
object_features.append(features)
object_labels.append(1)
# رسم باکس و مرکز
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.circle(frame, centroid, 4, (0, 0, 255), -1)
# اگر centroid قبلی موجود است، جهت را تشخیص بده
if len(prev_centroids) > 0:
closest_prev = min(prev_centroids, key=lambda p: np.linalg.norm(np.array(p) - np.array(centroid)))
direction = detect_direction(closest_prev, centroid)
cv2.putText(frame, f"Dir: {direction}", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255, 255, 0), 2)
# به‌روزرسانی centroid های قبلی
prev_centroids = current_centroids.copy()
# آموزش دوره‌ای مدل
frame_count += 1
if frame_count % learning_interval == 0 and len(object_features) > 5:
knn.fit(object_features, object_labels)
print("Model updated!")
if len(object_features) > 5 and frame_count % learning_interval == 0:
predicted_label = knn.predict([features])[0]
cv2.putText(frame, f"Predicted: {predicted_label}", (x, y - 30), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
# نمایش تصویر
cv2.imshow('Object Tracking with Direction', frame)
# خروج با کلید ESC
if cv2.waitKey(1) & 0xFF == 27:
break
cap.release()
cv2.destroyAllWindows()
|