12月, 2018 - 流行の科学技術を勝手に追いかけるブログ人工知能仮想現実ブロックチェーン

MySQL：group by句 #9

グループごとにまとめていく group by　を　やっていきましょう

#(12)データをグループ化する group by句
-- (1)都道府県id (prefecture_id)ごとにグループ化する
--    count()はprefecture_idでグループ化された各グループに対して行っている。
select prefecture_id,count(*) from users group by prefecture_id;

-- (2)2017　月別のユニークアクセスユーザー数
select
  request_month,
  count(distinct user_id)
from
  access_logs
where
  request_month>='2017-01-01' and request_month<'2018-01-01'
group by
  request_month;

#(12)データをグループ化する group by句

-- (1)都道府県id (prefecture_id)ごとにグループ化する

-- count()はprefecture_idでグループ化された各グループに対して行っている。

select prefecture_id,count(*) from users group by prefecture_id;

-- (2)2017　月別のユニークアクセスユーザー数

select

request_month,

count(distinct user_id)

from

access_logs

where

request_month>='2017-01-01' and request_month<'2018-01-01'

group by

request_month;

MySQL：集約関数 #8

やっていきましょう。

#(11)集約関数

-- (1)2017/1の合計売上金額
select
  sum(amount) #ここは一番最後にsum関数を使う
from
  orders
where
  order_time>='2017-01-01 00:00:00'
  and order_time<'2017-02-01 00:00:00';

-- (2)全商品の平均値を求める
select avg(price) from products;
  
-- (3)全商品の最小値を求める
select min(price) from products;

-- (4)全商品の最大値を求める
select max(price) from products;

-- (5)ユーザー数をカウントする
select count(*) from users;

-- (5)女性ユーザー数をカウントする
select count(*) from users where gender=2;

-- (6)2017/1のユニークアクセスユーザー数をカウントする
select
  count(distinct user_id) #distinctは被りを削除する
from
  access_logs 
where
  request_month='2017-01-01';

#(11)集約関数

-- (1)2017/1の合計売上金額

select

sum(amount) #ここは一番最後にsum関数を使う

from

orders

where

order_time>='2017-01-01 00:00:00'

and order_time<'2017-02-01 00:00:00';

-- (2)全商品の平均値を求める

select avg(price) from products;

-- (3)全商品の最小値を求める

select min(price) from products;

-- (4)全商品の最大値を求める

select max(price) from products;

-- (5)ユーザー数をカウントする

select count(*) from users;

-- (5)女性ユーザー数をカウントする

select count(*) from users where gender=2;

-- (6)2017/1のユニークアクセスユーザー数をカウントする

select

count(distinct user_id) #distinctは被りを削除する

from

access_logs

where

request_month='2017-01-01';

MySQL：csvとして保存 #7

データベースから抽出したデータをcsvとして保存してみましょう。

これだけです・・・。

MySQL：limit句 #6

取得するデータの個数を制限して、データベースがクラッシュするのを防ぎましょう。

デフォルトは1000でした。

#(9)取得する数に制限を与える　limit句
select * from products limit 10;
select * from products limit 0,10;
select * from products limit 10,20;
select * from users where last_name like '中%' limit 0,1000;
select id,last_name,gender from users where gender=1 limit 10;

#(9)取得する数に制限を与える　limit句

select * from products limit 10;

select * from products limit 0,10;

select * from products limit 10,20;

select * from users where last_name like '中%' limit 0,1000;

select id,last_name,gender from users where gender=1 limit 10;

次回はcsvとして保存する方法をやっていきましょう。

MySQL：パターンマッチング #5

やっていきましょう。

#(8)パターンマッチング　like

-- 1)中からはじまるlast_name
select * from users where last_name like '中%';

-- 2)中を含むlast_name
select * from users where last_name like '%中%';

-- 3)子で終わるfirst_name
select * from users where first_name like '%子';

-- 4)３文字の内、子で終わるfirst_name
select * from users where first_name like '__子';

#(8)パターンマッチング　like

-- 1)中からはじまるlast_name

select * from users where last_name like '中%';

-- 2)中を含むlast_name

select * from users where last_name like '%中%';

-- 3)子で終わるfirst_name

select * from users where first_name like '%子';

-- 4)３文字の内、子で終わるfirst_name

select * from users where first_name like '__子';

次回はlimitをやっていきましょう。

MySQL：比較演算子 #4

やっていきましょう。

#(7)比較演算子　where　で使用　= > >= <= <> !=
#             in not in is null is not null
#             between ... and ...

-- 1)productsテーブルから全列を取得
select * from products;

-- 2)id=１の行だけを取得
select * from products where id=1;

-- 3)name='商品0003'の行だけを取得
select * from products where name='商品0003';

-- 4)price>1000の行だけを取得
select * from products where price>1000;

-- 5)price<1000の行だけを取得
select * from products where price<1000;

-- 6)price!=100の行だけを取得
select * from products where price!=100;
select * from products where price<>100;

-- 7)id=1,2,3の行を取得
select * from products where id in(1,2,3);

-- 8)id!=1,2,3の行を取得
select * from products where id not in(1,2,3);

-- 9)price!=nullの行を取得
select * from products where price is not null;

-- 10)price=nullの行を取得
select * from products where price is null;

-- 11)priceが1000から1900までの行を取得
select * from products where price>=1000 and price<=1900;
select * from products where price between 1000 and 1900;

-- 12)price=1000,2000の行を取得
select * from products where price=1000 or price=2000;

#(7)比較演算子　where　で使用　= > >= <= <> !=

# in not in is null is not null

# between ... and ...

-- 1)productsテーブルから全列を取得

select * from products;

-- 2)id=１の行だけを取得

select * from products where id=1;

-- 3)name='商品0003'の行だけを取得

select * from products where name='商品0003';

-- 4)price>1000の行だけを取得

select * from products where price>1000;

-- 5)price<1000の行だけを取得

select * from products where price<1000;

-- 6)price!=100の行だけを取得

select * from products where price!=100;

select * from products where price<>100;

-- 7)id=1,2,3の行を取得

select * from products where id in(1,2,3);

-- 8)id!=1,2,3の行を取得

select * from products where id not in(1,2,3);

-- 9)price!=nullの行を取得

select * from products where price is not null;

-- 10)price=nullの行を取得

select * from products where price is null;

-- 11)priceが1000から1900までの行を取得

select * from products where price>=1000 and price<=1900;

select * from products where price between 1000 and 1900;

-- 12)price=1000,2000の行を取得

select * from products where price=1000 or price=2000;

次回は　パターンマッチングをやっていきましょう。

MySQL：テーブルからデータを抽出 #3

具体的にテーブルを操作して、データ抽出をやっていきましょう。

MySQLを起動すると、この画面が出てくるので、前回作成たMySQL Connectionsである　Local instance MySQL57を選択しましょう。

まずは基本中の基本。データベースを選択して、テーブルからすべてのデータを取得してみましょう。ここは前回の最後におまけでやってみたものと一緒です。

あとは、連続して色々な抽出方法を試していきます。

#(1)データベースを選択
use new_schema;

#(2)データベースのテーブルから全てのデータを取得する
select * from users;
select * from products;

#(3)列を指定してデータを取得する
select id,last_name from users;
select name,price from products;

#(4)列に別名をつける
select name as 名前,price as 価格 from products;

#(5)列に対して演算する
select
  name as 名前,
  price as 価格,
  price*1.08 as 税込価格
from products;

#(6)priceが9800以上を選択する
select name,price from products where price>=9800;

#(1)データベースを選択

use new_schema;

#(2)データベースのテーブルから全てのデータを取得する

select * from users;

select * from products;

#(3)列を指定してデータを取得する

select id,last_name from users;

select name,price from products;

#(4)列に別名をつける

select name as 名前,price as 価格 from products;

#(5)列に対して演算する

select

name as 名前,

price as 価格,

price*1.08 as 税込価格

from products;

#(6)priceが9800以上を選択する

select name,price from products where price>=9800;

次回は、比較演算子をまとめていきます。

MySQL:初期設定 #2

今日もSQLやっていきましょう。

mySQLを起動、 HOME画面です

データベースにつなげましょう。メニューDatabase>connect to Database ＞OKしましょう。

データベースを取り込みましょう。メニューアイコン＞create a new schema…

Nameは好きな名前でいいのですが、ここではデフォルト通りnew_schemaにしておきます。＞Apply

SQLコードでいうと　create schema ‘new_schema’;　ということなんですね。

するとNavigatorのSHEMASにnew_schemaができていました。

出来上がっているデータベースdatabase_001.sqlを　new_schemとして取り込みます。 database_001.sqlを選択します。

Default Schema Nameはさっき作ったnew_schemaを選択します。Default Charactor Setはutf8を選択します。

new_schemaを右クリックしてall refreshすると、いろんなテーブルを取り込んだことが確認できます。

では、メニューアイコン＞Create a New SQL Tab　でエディタを開いてコードを書いてデータベースをいじってみましょう。

例えば、スキーマnew_schemaのテーブルaccess_logsを試しに開いてみた。

という具合に、次回からはデータベースをどんどん弄っていく練習をしましょう。

MySQL:インストール #1

MySQLのインストールをやっていきます。

MySQL Installerをダウンロードする。

オラクルのページに飛び、最新バージョンのMySQL Installer 8.0.13をダウンロードします。300MBくらいある方を選択します。

ページが切り替わった時に、Login/SignUPではなくてその下のNo thanks,just start my downloadを選択するとダウンロードが始まります。

MySQL をインストールする。

ダウンロードが完了したら、ファイルを実行してインストールしますsetup typeはdeveloper Default,requirementsはどれもcheckできないので無視。しかしそれ以上すすめなくなったのでpython3.7をインストールしたら進めるようになりました。（チェックはつかないまま）実行して完了するまで待ちましょう。

Group Replication：Standalone にしましょう。

Type and Networking：下記のようにデフォルトでOKです。

Accounts and Roles ：管理者ユーザー（root)の設定でPWを入れましょう。

windows Service：デフォルトでOKです。

Plugins and Extensions：デフォルトでOKです。

以下、いろいろデフォルトでOKです。

Connect to Server：下記のようにMySQL Serverにチェックを入れてPWを入れます。Connection succeededになればOKです。

Installation Complete：Start MySQL WorkBench after Setupはチェックを入れておいて、Star MySQL Shell after Setupのチェックははずしておきましょう。

これで　MySQL Workvenchが起動します

文字コードの設定（日本語の文字化け防止）

C:\ProgramData\MySQL\MySQL Server 5.7\my.iniをメモ帳で開いて

character-set-server=utf8

を追記します。そのあとにwindowsを再起動させると設定変更が反映されます。

MySQL Workbench を起動する

MySQL Workbenchに戻って、メニュー>Database> Connect to Database で下記のようにStored Connectionを選択しましょう。PWを要求されるので入力しましょう。

今回はここまで。SQLのインストールでした。次回はSQLの使い方をやっていきましょう。

OpenCV：python 画像追跡

こんにちは、かずまなぶです(*’ω’*)　

動画中の物体を追跡する方法を勉強しました。メモを貼っておきます。

https://ensekitt.hatenablog.com/entry/2017/12/19/200000

# coding: utf-8

# In[ ]:


#色検出：動画から色を抜き出す
import cv2
import numpy as np

capture=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/mobility.mp4")
while True:
    #ウィンドウサイズを小さくしておく（元画像が大きすぎる）
    cv2.namedWindow("img",cv2.WINDOW_NORMAL)
    cv2.resizeWindow("img",640,480)
    
    #１フレームだけ読み込む
    ret,frame=capture.read()
    
    if ret==False: #最終フレームなら抜ける
        break
    
    hsv=cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)#読み込んだ１フレームをBGRからHSV形式に変換する
    
    #黄色っぽい色を定義
    lower=np.array([20,50,50])#Hue=20とすると実際は40になる
    upper=np.array([25,255,255])
    frame_mask=cv2.inRange(hsv,lower,upper)#hsvと黄色の定義を渡す
    dst=cv2.bitwise_and(frame,frame,mask=frame_mask)#２値画像の論理積（共通する部分）を取り出す。mask黄色だけが抽出される
    
    #画像を表示する
    cv2.imshow("img",dst)
    if cv2.waitKey(10)==27:
        break
       
cv2.destroyAllWindows()
    

# オプティカルフロー　：　動画中の特徴点を追跡する
（１）特徴点を見つける
（２）特徴点とその周りは同じ方向へ流れると仮定して
　　　フローベクトを求める

フローベクトルを求める 特徴点の画素値I
I(x,y,t)=I(x+⊿x,y+⊿y,t+⊿t)

右辺をテーラー展開して、１次の項までを採用すると
I(x+⊿x,y+⊿y,t+⊿t)=I(x,y,t)[1+ (∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t]

よって、元の式は
I(x,y,t)=I(x,y,t)[1+ (∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t]
1=1+ (∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t
(∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t=0

ここで偏微分を
(∂I/∂x)=Ix
(∂I/∂y)=Iy
(∂I/∂t)=It
とおくと

I(x,y,t)=I(x,y,t)[1+ (Ix*⊿x) + (Iy*⊿y) + (It*⊿t)]
なので
1=1+ (Ix*⊿x) + (Iy*⊿y) + (It*⊿t)
(Ix*⊿x) + (Iy*⊿y) + (It*⊿t)=0

さらに両辺を⊿tで割ると
(Ix*⊿x/⊿t) + (Iy*⊿y/⊿t) +It=0
ここで
⊿x/⊿t=u
⊿y/⊿t=v
とおくと
(Ix*u) + (Iy*v) +It=0
(Ix,Iy)*(u,v)+It=0
このベクトル(u,v)をフローベクトルという。
特徴点の周辺のフローベクトルと連立させて解く

参考URL：https://www.slideshare.net/hitoshinishimura75/lucas-kanade
# In[ ]:


import cv2
#動画サイズを小さくしておく
cv2.namedWindow("img",cv2.WINDOW_NORMAL)
cv2.resizeWindow("img",1200,800)

#パラメータの設定
COUNT=500 # 500点　特徴点を検出する

"""ルーカス・カナデ法
  画像ピラミッド：解像度を落とした画像を段階的に作って、軽くした状態で特徴点を分析する
  winSize：ウィンドウサイズ　探索窓の大きさ
  maxLevel：ピラミッドの階層の数
  収束条件：最大反復回数　もしくは　値が動かなくなったら
"""
criterita=(cv2.TERM_CRITERIA_MAX_ITER|cv2.TERM_CRITERIA_EPS,20,0.03)
lucas_kanade_params=dict(winSize=(10,10),maxLevel=4,criteria=criterita)

#1フレームを読み込む
capture=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Cosmos.mp4")
ret,frame=capture.read()
frame_pre=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#グレースケール化して、一個前のフレームとして定義する

while True:
    ret,frame=capture.read()
    if ret==False:#画像がなくなったらブレークする
        break
        
    frame_now=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#グレースケール化した画像を現在フレームとする
    feature_pre=cv2.goodFeaturesToTrack(frame_pre,COUNT,0.001,5)#追いかけるべき特徴点を見つける コーナー検出精度、コーナー間の最低限の距離
    
    if feature_pre is None:#特徴点がなかったら、再びwhile文の先頭に戻って、また次のフレームを読み込んでくる
        continue
        
    #うまく特徴点を見つけられたら
    feature_now,status,err=cv2.calcOpticalFlowPyrLK(frame_pre,frame_now,feature_pre,None,**lucas_kanade_params)#ルーカスカナデ本体
    
    #描画する
    for i in range(COUNT):
        pre_x=feature_pre[i][0][0]
        pre_y=feature_pre[i][0][1]
        now_x=feature_now[i][0][0]
        now_y=feature_now[i][0][1]
        cv2.line(frame,(pre_x,pre_y),(now_x,now_y),(255,0,0),3)
    cv2.imshow("img",frame)
    frame_pre=frame_now.copy()
    
    if cv2.waitKey(10)==27:
        break

cv2.destroyAllWindows()

# MeanShift / CamShift
ピクセル密度（画素値）が最大の場所へ向かっていく
①ある場所から探索窓が出発する（ユーザーが指定）
②探索窓内の画素値の重心を計算する
③探索窓の中心を重心に移す
②③を繰り返す
CamShiftは窓の大きさが可変になる
# In[ ]:


import cv2

cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Cruse.mp4")
ret,frame=cap.read()
h,w,ch=frame.shape#動画サイズを抜き出す

rct=(600,500,100,100)#探索窓の開始点x,y,窓の大きさ⊿x,⊿y
cv2.namedWindow("win",cv2.WINDOW_NORMAL) #名前を付ける
cv2.resizeWindow("win",1200,800)#動画の名前を指定して、動画サイズの変更
criteria=(cv2.TERM_CRITERIA_COUNT|cv2.TERM_CRITERIA_EPS,10,1) #反復回数の閾値（１０回動いたら　または　１ピクセルしか動かなくなったら）

while True:
    threshold=100#二値化の閾値
    ret,frame=cap.read()#まずは１フレームを読み込む
    
    if ret==False:#最後まで読み込んでいたらブレークで終わる
        break
    
    img_gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#グレースケール化する
    ret,img_bin=cv2.threshold(img_gray,threshold,255,cv2.THRESH_BINARY)#グレースケールを二値化する
    ret,rct=cv2.CamShift(img_bin,rct,criteria)#二値化画像をmeanShift または CamShiftしてrct（四角）を得る
    x,y,w,h=rct#rct：四角の座標と大きさ
    frame=cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),3)#四角を書く
    #frame=cv2.rectangle(img_bin,(x,y),(x+w,y+h),(255,0,0),3)#四角を書く
    cv2.imshow("win",frame) # frame　または　img_bin
    
    if cv2.waitKey(10)==27:
        break
        
cv2.destroyAllWindows()

#背景差分
背景かそれ以外かを分離することができる
現在フレーム-背景フレーム=背景差分
# In[ ]:


import cv2
import numpy as np

cv2.namedWindow("img",cv2.WINDOW_NORMAL)
cv2.resizeWindow("img",1200,800)
cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Pepole.mp4")
ret,frame=cap.read()#１フレームだけ読む
h,w,ch=frame.shape
frame_back=np.zeros((h,w,ch),dtype=np.float32)#float32に指定しないと差分をとれない
while True:
    ret,frame=cap.read()#１フレームだけ読む
    
    if ret==False:
        break
        
    frame_diff=cv2.absdiff(frame.astype(np.float32),frame_back)#差分を作る
    cv2.accumulateWeighted(frame,frame_back,0.03)#3%ずつ混ぜていく：
    
    #フレームバックをだんだんフレームに近づけていく
    #移動しているものは白く映る
    cv2.imshow("img",frame_diff.astype(np.uint8))
    
    if cv2.waitKey(10)==27:
        break

cv2.destroyAllWindows()   


# In[1]:


#パーティクルフィルター
import cv2
import numpy as np
import random2
import likelihood as li

cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Tram.mp4")
ret,frame=cap.read()
h,w=frame.shape[:2]
np.random.seed(100)
Np=500
px=np.zeros((Np),dtype=np.int64)
py=np.zeros((Np),dtype=np.int64)
lp=np.zeros((Np))
for i in range(Np):
    px[i]=int(np.random.uniform(0,w))
    py[i]=int(np.random.uniform(0,h))
obj=[0,110,160]

while True:
    ret,frame=cap.read()
    if ret==False:
        break
    lp=li.likelihood(frame,px,py,obj,Np,sigma2=0.001)
    pxnew=np.array(random2.choices(population=px,weights=lp,k=Np))+np.random.randint(-15,15,Np)
    pynew=np.array(random2.choices(population=py,weights=lp,k=Np))+np.random.randint(-15,15,Np)   
    px=np.where(pxnew>w-1,w-1,pxnew)
    py=np.where(pynew>h-1,h-1,pynew)
    px=np.where(px<0,0,px)
    py=np.where(py<0,0,py)
    
    for i in range(Np):
        cv2.circle(frame,(px[i],py[i]),1,(0,255,0),1)
    
    cv2.imshow("img",frame)
        
    if cv2.waitKey(10)==27:
        break
        
cv2.destroyAllWindows()

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

# coding: utf-8

# In[ ]:

#色検出：動画から色を抜き出す

import cv2

import numpy as np

capture=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/mobility.mp4")

while True:

#ウィンドウサイズを小さくしておく（元画像が大きすぎる）

cv2.namedWindow("img",cv2.WINDOW_NORMAL)

cv2.resizeWindow("img",640,480)

#１フレームだけ読み込む

ret,frame=capture.read()

if ret==False: #最終フレームなら抜ける

break

hsv=cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)#読み込んだ１フレームをBGRからHSV形式に変換する

#黄色っぽい色を定義

lower=np.array([20,50,50])#Hue=20とすると実際は40になる

upper=np.array([25,255,255])

frame_mask=cv2.inRange(hsv,lower,upper)#hsvと黄色の定義を渡す

dst=cv2.bitwise_and(frame,frame,mask=frame_mask)#２値画像の論理積（共通する部分）を取り出す。mask黄色だけが抽出される

#画像を表示する

cv2.imshow("img",dst)

if cv2.waitKey(10)==27:

break

cv2.destroyAllWindows()

# オプティカルフロー　：　動画中の特徴点を追跡する

（１）特徴点を見つける

（２）特徴点とその周りは同じ方向へ流れると仮定して

　　　フローベクトを求める

フローベクトルを求める特徴点の画素値I

I(x,y,t)=I(x+⊿x,y+⊿y,t+⊿t)

右辺をテーラー展開して、１次の項までを採用すると

I(x+⊿x,y+⊿y,t+⊿t)=I(x,y,t)[1+ (∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t]

よって、元の式は

I(x,y,t)=I(x,y,t)[1+ (∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t]

1=1+ (∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t

(∂I/∂x)*⊿x + (∂I/∂y)*⊿y + (∂I/∂t)*⊿t=0

ここで偏微分を

(∂I/∂x)=Ix

(∂I/∂y)=Iy

(∂I/∂t)=It

とおくと

I(x,y,t)=I(x,y,t)[1+ (Ix*⊿x) + (Iy*⊿y) + (It*⊿t)]

なので

1=1+ (Ix*⊿x) + (Iy*⊿y) + (It*⊿t)

(Ix*⊿x) + (Iy*⊿y) + (It*⊿t)=0

さらに両辺を⊿tで割ると

(Ix*⊿x/⊿t) + (Iy*⊿y/⊿t) +It=0

ここで

⊿x/⊿t=u

⊿y/⊿t=v

とおくと

(Ix*u) + (Iy*v) +It=0

(Ix,Iy)*(u,v)+It=0

このベクトル(u,v)をフローベクトルという。

特徴点の周辺のフローベクトルと連立させて解く

参考URL：https://www.slideshare.net/hitoshinishimura75/lucas-kanade

# In[ ]:

import cv2

#動画サイズを小さくしておく

cv2.namedWindow("img",cv2.WINDOW_NORMAL)

cv2.resizeWindow("img",1200,800)

#パラメータの設定

COUNT=500 # 500点　特徴点を検出する

"""ルーカス・カナデ法

画像ピラミッド：解像度を落とした画像を段階的に作って、軽くした状態で特徴点を分析する

winSize：ウィンドウサイズ　探索窓の大きさ

maxLevel：ピラミッドの階層の数

収束条件：最大反復回数　もしくは　値が動かなくなったら

"""

criterita=(cv2.TERM_CRITERIA_MAX_ITER|cv2.TERM_CRITERIA_EPS,20,0.03)

lucas_kanade_params=dict(winSize=(10,10),maxLevel=4,criteria=criterita)

#1フレームを読み込む

capture=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Cosmos.mp4")

ret,frame=capture.read()

frame_pre=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#グレースケール化して、一個前のフレームとして定義する

while True:

ret,frame=capture.read()

if ret==False:#画像がなくなったらブレークする

break

frame_now=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#グレースケール化した画像を現在フレームとする

feature_pre=cv2.goodFeaturesToTrack(frame_pre,COUNT,0.001,5)#追いかけるべき特徴点を見つけるコーナー検出精度、コーナー間の最低限の距離

if feature_pre is None:#特徴点がなかったら、再びwhile文の先頭に戻って、また次のフレームを読み込んでくる

continue

#うまく特徴点を見つけられたら

feature_now,status,err=cv2.calcOpticalFlowPyrLK(frame_pre,frame_now,feature_pre,None,**lucas_kanade_params)#ルーカスカナデ本体

#描画する

for i in range(COUNT):

pre_x=feature_pre[i][0][0]

pre_y=feature_pre[i][0][1]

now_x=feature_now[i][0][0]

now_y=feature_now[i][0][1]

cv2.line(frame,(pre_x,pre_y),(now_x,now_y),(255,0,0),3)

cv2.imshow("img",frame)

frame_pre=frame_now.copy()

if cv2.waitKey(10)==27:

break

cv2.destroyAllWindows()

# MeanShift / CamShift

ピクセル密度（画素値）が最大の場所へ向かっていく

①ある場所から探索窓が出発する（ユーザーが指定）

②探索窓内の画素値の重心を計算する

③探索窓の中心を重心に移す

②③を繰り返す

CamShiftは窓の大きさが可変になる

# In[ ]:

import cv2

cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Cruse.mp4")

ret,frame=cap.read()

h,w,ch=frame.shape#動画サイズを抜き出す

rct=(600,500,100,100)#探索窓の開始点x,y,窓の大きさ⊿x,⊿y

cv2.namedWindow("win",cv2.WINDOW_NORMAL) #名前を付ける

cv2.resizeWindow("win",1200,800)#動画の名前を指定して、動画サイズの変更

criteria=(cv2.TERM_CRITERIA_COUNT|cv2.TERM_CRITERIA_EPS,10,1) #反復回数の閾値（１０回動いたら　または　１ピクセルしか動かなくなったら）

while True:

threshold=100#二値化の閾値

ret,frame=cap.read()#まずは１フレームを読み込む

if ret==False:#最後まで読み込んでいたらブレークで終わる

break

img_gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#グレースケール化する

ret,img_bin=cv2.threshold(img_gray,threshold,255,cv2.THRESH_BINARY)#グレースケールを二値化する

ret,rct=cv2.CamShift(img_bin,rct,criteria)#二値化画像をmeanShift または CamShiftしてrct（四角）を得る

x,y,w,h=rct#rct：四角の座標と大きさ

frame=cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),3)#四角を書く

#frame=cv2.rectangle(img_bin,(x,y),(x+w,y+h),(255,0,0),3)#四角を書く

cv2.imshow("win",frame) # frame　または　img_bin

if cv2.waitKey(10)==27:

break

cv2.destroyAllWindows()

#背景差分

背景かそれ以外かを分離することができる

現在フレーム-背景フレーム=背景差分

# In[ ]:

import cv2

import numpy as np

cv2.namedWindow("img",cv2.WINDOW_NORMAL)

cv2.resizeWindow("img",1200,800)

cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Pepole.mp4")

ret,frame=cap.read()#１フレームだけ読む

h,w,ch=frame.shape

frame_back=np.zeros((h,w,ch),dtype=np.float32)#float32に指定しないと差分をとれない

while True:

ret,frame=cap.read()#１フレームだけ読む

if ret==False:

break

frame_diff=cv2.absdiff(frame.astype(np.float32),frame_back)#差分を作る

cv2.accumulateWeighted(frame,frame_back,0.03)#3%ずつ混ぜていく：

#フレームバックをだんだんフレームに近づけていく

#移動しているものは白く映る

cv2.imshow("img",frame_diff.astype(np.uint8))

if cv2.waitKey(10)==27:

break

cv2.destroyAllWindows()

# In[1]:

#パーティクルフィルター

import cv2

import numpy as np

import random2

import likelihood as li

cap=cv2.VideoCapture(r"C:\Users\omoiy\data\movie/Tram.mp4")

ret,frame=cap.read()

h,w=frame.shape[:2]

np.random.seed(100)

Np=500

px=np.zeros((Np),dtype=np.int64)

py=np.zeros((Np),dtype=np.int64)

lp=np.zeros((Np))

for i in range(Np):

px[i]=int(np.random.uniform(0,w))

py[i]=int(np.random.uniform(0,h))

obj=[0,110,160]

while True:

ret,frame=cap.read()

if ret==False:

break

lp=li.likelihood(frame,px,py,obj,Np,sigma2=0.001)

pxnew=np.array(random2.choices(population=px,weights=lp,k=Np))+np.random.randint(-15,15,Np)

pynew=np.array(random2.choices(population=py,weights=lp,k=Np))+np.random.randint(-15,15,Np)

px=np.where(pxnew>w-1,w-1,pxnew)

py=np.where(pynew>h-1,h-1,pynew)

px=np.where(px<0,0,px)

py=np.where(py<0,0,py)

for i in range(Np):

cv2.circle(frame,(px[i],py[i]),1,(0,255,0),1)

cv2.imshow("img",frame)

if cv2.waitKey(10)==27:

break

cv2.destroyAllWindows()

2018年12月
月	火	水	木	金	土	日
					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