Cursos Empresas Blog Live Conf Eventos Precios

0:0012:42

Seguimiento de centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Clase 23 / 33

Ver clases

Seguimiento de centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Clase 23 de 33

Clase 23 / 33

Seguimiento de centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Clase 23 / 33

Ver clases

Comentarios

Henry Mendiburu Díaz#3130105

Creo que en un proyecto real el dataset tendría que ser extraído de un video donde se este utilizando la misma cámara, ángulo, posición e iluminación que se utilizarán en el entorno de producción.

Carlos Isael Ramírez González#4700926

Si quieren probar el modelo en su computador les paso el codigo:

import cv2
import tensorflow as tf
from object_detection.utils import visualization_utils as viz_utils


# Carga del modelo
model_path = 'C:/Users/Lenovo/Documents/Proyectos_Jupyter_Notebooks/Functions/Dataset/Perros_Gatos_personas/fine_tuned_model/saved_model'
model = tf.saved_model.load(model_path)
detect_fn = model.signatures['serving_default']

# Category_index
category_index = {1:{'name': 'Perro',
           'id': 1},
          2:{'name': 'Gato',
           'id': 2},
         3: {'name': 'Persona',
           'id': 3}}


# Configuración de la cámara web
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    # Convertir la imagen a un tensor y ejecutar la detección de objetos
    input_tensor = tf.convert_to_tensor(frame)
    input_tensor = input_tensor[tf.newaxis, ...]
    detections = detect_fn(input_tensor)
    
    # Extraer los resultados de la detección
    num_detections = int(detections.pop('num_detections'))
    detections = {key: value[0,:num_detections].numpy()
                  for key, value in detections.items()}
    detections['num_detections'] = num_detections
    detections['detection_classes'] = detections['detection_classes'].astype(int)
    
    # Visualización de los resultados
    viz_utils.visualize_boxes_and_labels_on_image_array(
        frame,
        detections['detection_boxes'],
        detections['detection_classes'],
        detections['detection_scores'],
        category_index,
        use_normalized_coordinates=True,
        max_boxes_to_draw=10,
        min_score_thresh=.5,
        agnostic_mode=False)
    
    try:
        cv2.imshow('object detection', cv2.resize(frame, (640, 480)))
    except cv2.error:
        break
    
    if cv2.waitKey(1) == ord('q'):
        break
        
cap.release()
cv2.destroyAllWindows()

Mario Alexander Vargas Celis#5250609

El seguimiento de centroides en OpenCV generalmente se realiza utilizando algoritmos de procesamiento de imágenes para detectar objetos o regiones de interés en cada fotograma y luego calcular su centroide (un punto representativo del centro del objeto). A continuación, te doy un ejemplo básico de cómo realizar un seguimiento de centroides en un video utilizando OpenCV:

### 1. **Instalar OpenCV**

Si aún no has instalado OpenCV, puedes hacerlo con el siguiente comando:


pip install opencv-python

### 2. **Código para Seguimiento de Centroides:**

Este ejemplo detecta objetos en un video utilizando un umbral para detectar cambios en las áreas de la imagen y luego calcula y sigue el centroide de esos objetos a lo largo de los fotogramas.


import cv2

import numpy as np



\# Abre el video

cap = cv2.VideoCapture('video.mp4')



while True:

&#x20;   \# Lee el siguiente fotograma

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break

&#x20;  &#x20;

&#x20;   \# Convierte el fotograma a escala de grises

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;  &#x20;

&#x20;   \# Aplica un umbral para detectar las áreas de interés

&#x20;   \_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH\_BINARY)

&#x20;  &#x20;

&#x20;   \# Encuentra los contornos de las áreas detectadas

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

&#x20;  &#x20;

&#x20;   \# Dibuja los contornos y calcula los centroides

&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > 500:  # Filtra contornos pequeños

&#x20;           \# Calcula el momento (centroide) del contorno

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:  # Evita la división por cero

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide en el fotograma

&#x20;               cv2.circle(frame, (cX, cY), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX}, {cY})", (cX + 10, cY), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Muestra el fotograma con los centroides

&#x20;   cv2.imshow("Centroides", frame)

&#x20;  &#x20;

&#x20;   \# Salir si se presiona 'q'

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       break



\# Libera los recursos

cap.release()

cv2.destroyAllWindows()

### Explicación del Código:

1. **Abrir Video**: Usamos cv2.VideoCapture para abrir un archivo de video (también puede ser una cámara en vivo).

2. **Conversión a Escala de Grises**: Convertimos cada fotograma a escala de grises para simplificar el procesamiento.

Felipe Sebastián Zepeda González#4811352

No me queda clara la definición de POINT con sus cuatro argumentos…

Tampoco me queda claro si los valores de los argumentos dados en este caso tienen alguna razón de ser en particular... (Será por el posicionamiento de la cámara respecto de la calzada de vehículos??)

import cv2
import tensorflow as tf
from object_detection.utils import visualization_utils as viz_utils


# Carga del modelo
model_path = 'C:/Users/Lenovo/Documents/Proyectos_Jupyter_Notebooks/Functions/Dataset/Perros_Gatos_personas/fine_tuned_model/saved_model'
model = tf.saved_model.load(model_path)
detect_fn = model.signatures['serving_default']

# Category_index
category_index = {1:{'name': 'Perro',
           'id': 1},
          2:{'name': 'Gato',
           'id': 2},
         3: {'name': 'Persona',
           'id': 3}}


# Configuración de la cámara web
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    # Convertir la imagen a un tensor y ejecutar la detección de objetos
    input_tensor = tf.convert_to_tensor(frame)
    input_tensor = input_tensor[tf.newaxis, ...]
    detections = detect_fn(input_tensor)
    
    # Extraer los resultados de la detección
    num_detections = int(detections.pop('num_detections'))
    detections = {key: value[0,:num_detections].numpy()
                  for key, value in detections.items()}
    detections['num_detections'] = num_detections
    detections['detection_classes'] = detections['detection_classes'].astype(int)
    
    # Visualización de los resultados
    viz_utils.visualize_boxes_and_labels_on_image_array(
        frame,
        detections['detection_boxes'],
        detections['detection_classes'],
        detections['detection_scores'],
        category_index,
        use_normalized_coordinates=True,
        max_boxes_to_draw=10,
        min_score_thresh=.5,
        agnostic_mode=False)
    
    try:
        cv2.imshow('object detection', cv2.resize(frame, (640, 480)))
    except cv2.error:
        break
    
    if cv2.waitKey(1) == ord('q'):
        break
        
cap.release()
cv2.destroyAllWindows()

import cv2

import numpy as np

\# Abre el video

cap = cv2.VideoCapture('video.mp4')

while True:

&#x20;   \# Lee el siguiente fotograma

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break

&#x20;  &#x20;

&#x20;   \# Convierte el fotograma a escala de grises

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;  &#x20;

&#x20;   \# Aplica un umbral para detectar las áreas de interés

&#x20;   \_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH\_BINARY)

&#x20;  &#x20;

&#x20;   \# Encuentra los contornos de las áreas detectadas

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

&#x20;  &#x20;

&#x20;   \# Dibuja los contornos y calcula los centroides

&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > 500:  # Filtra contornos pequeños

&#x20;           \# Calcula el momento (centroide) del contorno

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:  # Evita la división por cero

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide en el fotograma

&#x20;               cv2.circle(frame, (cX, cY), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX}, {cY})", (cX + 10, cY), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Muestra el fotograma con los centroides

&#x20;   cv2.imshow("Centroides", frame)

&#x20;  &#x20;

&#x20;   \# Salir si se presiona 'q'

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       break

\# Libera los recursos

cap.release()

cv2.destroyAllWindows()

Comentarios

Henry Mendiburu Díaz#3130105

Carlos Isael Ramírez González#4700926

Si quieren probar el modelo en su computador les paso el codigo:

import cv2
import tensorflow as tf
from object_detection.utils import visualization_utils as viz_utils


# Carga del modelo
model_path = 'C:/Users/Lenovo/Documents/Proyectos_Jupyter_Notebooks/Functions/Dataset/Perros_Gatos_personas/fine_tuned_model/saved_model'
model = tf.saved_model.load(model_path)
detect_fn = model.signatures['serving_default']

# Category_index
category_index = {1:{'name': 'Perro',
           'id': 1},
          2:{'name': 'Gato',
           'id': 2},
         3: {'name': 'Persona',
           'id': 3}}


# Configuración de la cámara web
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    # Convertir la imagen a un tensor y ejecutar la detección de objetos
    input_tensor = tf.convert_to_tensor(frame)
    input_tensor = input_tensor[tf.newaxis, ...]
    detections = detect_fn(input_tensor)
    
    # Extraer los resultados de la detección
    num_detections = int(detections.pop('num_detections'))
    detections = {key: value[0,:num_detections].numpy()
                  for key, value in detections.items()}
    detections['num_detections'] = num_detections
    detections['detection_classes'] = detections['detection_classes'].astype(int)
    
    # Visualización de los resultados
    viz_utils.visualize_boxes_and_labels_on_image_array(
        frame,
        detections['detection_boxes'],
        detections['detection_classes'],
        detections['detection_scores'],
        category_index,
        use_normalized_coordinates=True,
        max_boxes_to_draw=10,
        min_score_thresh=.5,
        agnostic_mode=False)
    
    try:
        cv2.imshow('object detection', cv2.resize(frame, (640, 480)))
    except cv2.error:
        break
    
    if cv2.waitKey(1) == ord('q'):
        break
        
cap.release()
cv2.destroyAllWindows()

Mario Alexander Vargas Celis#5250609

### 1. **Instalar OpenCV**

Si aún no has instalado OpenCV, puedes hacerlo con el siguiente comando:


pip install opencv-python

### 2. **Código para Seguimiento de Centroides:**

Este ejemplo detecta objetos en un video utilizando un umbral para detectar cambios en las áreas de la imagen y luego calcula y sigue el centroide de esos objetos a lo largo de los fotogramas.


import cv2

import numpy as np



\# Abre el video

cap = cv2.VideoCapture('video.mp4')



while True:

&#x20;   \# Lee el siguiente fotograma

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break

&#x20;  &#x20;

&#x20;   \# Convierte el fotograma a escala de grises

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;  &#x20;

&#x20;   \# Aplica un umbral para detectar las áreas de interés

&#x20;   \_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH\_BINARY)

&#x20;  &#x20;

&#x20;   \# Encuentra los contornos de las áreas detectadas

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

&#x20;  &#x20;

&#x20;   \# Dibuja los contornos y calcula los centroides

&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > 500:  # Filtra contornos pequeños

&#x20;           \# Calcula el momento (centroide) del contorno

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:  # Evita la división por cero

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide en el fotograma

&#x20;               cv2.circle(frame, (cX, cY), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX}, {cY})", (cX + 10, cY), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Muestra el fotograma con los centroides

&#x20;   cv2.imshow("Centroides", frame)

&#x20;  &#x20;

&#x20;   \# Salir si se presiona 'q'

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       break



\# Libera los recursos

cap.release()

cv2.destroyAllWindows()

### Explicación del Código:

1. **Abrir Video**: Usamos cv2.VideoCapture para abrir un archivo de video (también puede ser una cámara en vivo).

2. **Conversión a Escala de Grises**: Convertimos cada fotograma a escala de grises para simplificar el procesamiento.

Felipe Sebastián Zepeda González#4811352

No me queda clara la definición de POINT con sus cuatro argumentos…

import cv2
import tensorflow as tf
from object_detection.utils import visualization_utils as viz_utils


# Carga del modelo
model_path = 'C:/Users/Lenovo/Documents/Proyectos_Jupyter_Notebooks/Functions/Dataset/Perros_Gatos_personas/fine_tuned_model/saved_model'
model = tf.saved_model.load(model_path)
detect_fn = model.signatures['serving_default']

# Category_index
category_index = {1:{'name': 'Perro',
           'id': 1},
          2:{'name': 'Gato',
           'id': 2},
         3: {'name': 'Persona',
           'id': 3}}


# Configuración de la cámara web
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    # Convertir la imagen a un tensor y ejecutar la detección de objetos
    input_tensor = tf.convert_to_tensor(frame)
    input_tensor = input_tensor[tf.newaxis, ...]
    detections = detect_fn(input_tensor)
    
    # Extraer los resultados de la detección
    num_detections = int(detections.pop('num_detections'))
    detections = {key: value[0,:num_detections].numpy()
                  for key, value in detections.items()}
    detections['num_detections'] = num_detections
    detections['detection_classes'] = detections['detection_classes'].astype(int)
    
    # Visualización de los resultados
    viz_utils.visualize_boxes_and_labels_on_image_array(
        frame,
        detections['detection_boxes'],
        detections['detection_classes'],
        detections['detection_scores'],
        category_index,
        use_normalized_coordinates=True,
        max_boxes_to_draw=10,
        min_score_thresh=.5,
        agnostic_mode=False)
    
    try:
        cv2.imshow('object detection', cv2.resize(frame, (640, 480)))
    except cv2.error:
        break
    
    if cv2.waitKey(1) == ord('q'):
        break
        
cap.release()
cv2.destroyAllWindows()

import cv2

import numpy as np

\# Abre el video

cap = cv2.VideoCapture('video.mp4')

while True:

&#x20;   \# Lee el siguiente fotograma

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break

&#x20;  &#x20;

&#x20;   \# Convierte el fotograma a escala de grises

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;  &#x20;

&#x20;   \# Aplica un umbral para detectar las áreas de interés

&#x20;   \_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH\_BINARY)

&#x20;  &#x20;

&#x20;   \# Encuentra los contornos de las áreas detectadas

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

&#x20;  &#x20;

&#x20;   \# Dibuja los contornos y calcula los centroides

&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > 500:  # Filtra contornos pequeños

&#x20;           \# Calcula el momento (centroide) del contorno

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:  # Evita la división por cero

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide en el fotograma

&#x20;               cv2.circle(frame, (cX, cY), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX}, {cY})", (cX + 10, cY), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Muestra el fotograma con los centroides

&#x20;   cv2.imshow("Centroides", frame)

&#x20;  &#x20;

&#x20;   \# Salir si se presiona 'q'

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       break

\# Libera los recursos

cap.release()

cv2.destroyAllWindows()

Seguimiento de centroides con OpenCV

Seguimiento de centroides con OpenCV

Seguimiento de centroides con OpenCV

Progreso del curso

Comprender la visión computarizada

Dimensionamiento de proyecto de visión computarizada

Obtención y procesamiento de los datos

Entrena, testea y optimiza tus modelos

Producto con visión computarizada en producción

Siguientes pasos en inteligencia artificial

Seguimiento de centroides con OpenCV

Seguimiento de centroides con OpenCV

Comentarios

Comentarios