python import cv2 import numpy as np import matplotlib.pyplot as plt Загрузить видеофайл…
- User
python import cv2 import numpy as np import matplotlib.pyplot as plt
Загрузить видеофайл
video = cv2.VideoCapture("movie.mp4")
Создать детектор особых точек ORB
orb = cv2.ORB_create()
Создать алгоритм сопоставления FLANN
index_params = dict(algorithm=6, table_number=6, key_size=12, multi_probe_level=1) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params)
Создать пустой массив для хранения среднего перемещения
mean_motion = []
Цикл по всем кадрам видео
while True:
Читать текущий кадр
ret, frame = video.read()
Если кадр не прочитан, то выйти из цикла
if not ret: break
Преобразовать кадр в черно-белое изображение
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
Найти особые точки на кадре
kp, des = orb.detectAndCompute(gray, None)
Если это не первый кадр, то сопоставить особые точки с предыдущим кадром
if len(mean_motion) > 0:
Найти соответствия между точками
matches = flann.knnMatch(des_prev, des, k=2)
Отфильтровать хорошие соответствия по критерию Лоу (Lowe's ratio test)
good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m)
Если есть хорошие соответствия, то вычислить среднее перемещение
if len(good_matches) > 0:
Получить координаты сопоставленных точек на обоих кадрах
src_pts = np.float32([kp_prev[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
Вычислить расстояние между точками
distances = np.linalg.norm(src_pts - dst_pts, axis=2).flatten()
Посчитать среднее расстояние
mean_distance = np.mean(distances)
Добавить среднее расстояние в массив
mean_motion.append(mean_distance) else:
Если нет хороших соответствий, то добавить ноль в массив
mean_motion.append(0)
Сохранить текущий кадр и его особые точки для следующей итерации
frame_prev = frame.copy() kp_prev = kp des_prev = des
Освободить ресурсы видео
video.release()
Построить график среднего перемещения по времени
plt.plot(mean_motion) plt.xlabel("Время (кадры)") plt.ylabel("Среднее перемещение (пиксели)") plt.title("Динамичность сцен фильма") plt.show()
- Assistant
This code is an example of how to use the OpenCV library in Python to analyze the motion dynamics in a movie.
Here's a breakdown of what the code does:
-
Imports the necessary libraries:
cv2for computer vision operations,numpyfor numerical computing, andmatplotlibfor plotting. -
Loads a video file using
cv2.VideoCapture. -
Creates an ORB (Oriented FAST and Rotated BRIEF) detector to find keypoints in the video frames.
-
Creates a FLANN (Fast Library for Approximate Nearest Neighbors) based matcher for matching keypoints between frames.
-
Initializes an empty array to store the mean motion values.
-
Starts a loop to process each frame of the video.
-
Reads the current frame using
video.read(). -
Converts the frame to grayscale using
cv2.cvtColor(). -
Detects keypoints in the grayscale frame using
orb.detectAndCompute(). -
If it's not the first frame, matches the keypoints between the previous frame and the current frame.
-
Filters the matches using the Lowe's ratio test and keeps only the good matches.
-
If there are good matches, computes the mean distance between the matched keypoints.
-
Adds the mean distance to the
mean_motionarray. -
Saves the current frame and its keypoints for the next iteration.
-
Continues the loop until all frames have been processed.
-
Releases the video resources using
video.release(). -
Plots the mean motion over time using
plt.plot(). -
Displays the plot using
plt.show().
This code can give you insights into the motion dynamics of scenes in a movie by analyzing the average movement of keypoints between consecutive frames.
-
- User
правильно расставь отступы после объявления цикла или условия
- Assistant
Определение отступов в коде Python имеет важное значение, поскольку отступы определяют блоки кода и его структуру. В приведенном ниже коде я исправил отступы после объявления цикла и условия. Пожалуйста, проверьте, если это соответствует вашим ожиданиям:
import cv2 import numpy as np import matplotlib.pyplot as plt # Загрузить видеофайл video = cv2.VideoCapture("movie.mp4") # Создать детектор особых точек ORB orb = cv2.ORB_create() # Создать алгоритм сопоставления FLANN index_params = dict(algorithm=6, table_number=6, key_size=12, multi_probe_level=1) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) # Создать пустой массив для хранения среднего перемещения mean_motion = [] # Цикл по всем кадрам видео while True: # Читать текущий кадр ret, frame = video.read() # Если кадр не прочитан, то выйти из цикла if not ret: break # Преобразовать кадр в черно-белое изображение gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Найти особые точки на кадре kp, des = orb.detectAndCompute(gray, None) # Если это не первый кадр, то сопоставить особые точки с предыдущим кадром if len(mean_motion) > 0: # Найти соответствия между точками matches = flann.knnMatch(des_prev, des, k=2) # Отфильтровать хорошие соответствия по критерию Лоу (Lowe's ratio test) good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) # Если есть хорошие соответствия, то вычислить среднее перемещение if len(good_matches) > 0: # Получить координаты сопоставленных точек на обоих кадрах src_pts = np.float32([kp_prev[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) # Вычислить расстояние между точками distances = np.linalg.norm(src_pts - dst_pts, axis=2).flatten() # Посчитать среднее расстояние mean_distance = np.mean(distances) # Добавить среднее расстояние в массив mean_motion.append(mean_distance) else: # Если нет хороших соответствий, то добавить ноль в массив mean_motion.append(0) # Сохранить текущий кадр и его особые точки для следующей итерации frame_prev = frame.copy() kp_prev = kp des_prev = des # Освободить ресурсы видео video.release() # Построить график среднего перемещения по времени plt.plot(mean_motion) plt.xlabel("Время (кадры)") plt.ylabel("Среднее перемещение (пиксели)") plt.title("Динамичность сцен фильма") plt.show()Это более правильное форматирование кода с правильными отступами после объявления циклов и условий.
- User
исправь ошибки
- Assistant
Вот исправленный код с корректными отступами после объявления цикла и условия:
import cv2 import numpy as np import matplotlib.pyplot as plt # Загрузить видеофайл video = cv2.VideoCapture("movie.mp4") # Создать детектор особых точек ORB orb = cv2.ORB_create() # Создать алгоритм сопоставления FLANN index_params = dict(algorithm=6, table_number=6, key_size=12, multi_probe_level=1) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) # Создать пустой массив для хранения среднего перемещения mean_motion = [] # Цикл по всем кадрам видео while True: # Читать текущий кадр ret, frame = video.read() # Если кадр не прочитан, то выйти из цикла if not ret: break # Преобразовать кадр в черно-белое изображение gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Найти особые точки на кадре kp, des = orb.detectAndCompute(gray, None) # Если это не первый кадр, то сопоставить особые точки с предыдущим кадром if len(mean_motion) > 0: # Найти соответствия между точками matches = flann.knnMatch(des_prev, des, k=2) # Отфильтровать хорошие соответствия по критерию Лоу (Lowe's ratio test) good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) # Если есть хорошие соответствия, то вычислить среднее перемещение if len(good_matches) > 0: # Получить координаты сопоставленных точек на обоих кадрах src_pts = np.float32([kp_prev[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) # Вычислить расстояние между точками distances = np.linalg.norm(src_pts - dst_pts, axis=2).flatten() # Посчитать среднее расстояние mean_distance = np.mean(distances) # Добавить среднее расстояние в массив mean_motion.append(mean_distance) else: # Если нет хороших соответствий, то добавить ноль в массив mean_motion.append(0) # Сохранить текущий кадр и его особые точки для следующей итерации frame_prev = frame.copy() kp_prev = kp des_prev = des # Освободить ресурсы видео video.release() # Построить график среднего перемещения по времени plt.plot(mean_motion) plt.xlabel("Время (кадры)") plt.ylabel("Среднее перемещение (пиксели)") plt.title("Динамичность сцен фильма") plt.show()Сейчас все строки кода имеют правильные отступы в соответствии с Python-синтаксисом.
- User
mean_motion пустой список
- Assistant
При просмотре вашего кода, я заметил проблему, почему
mean_motionостается пустым списком. Проблема может быть вызвана тем, что вы не инициализируетеkp_prevиdes_prevперед началом цикла.Вот исправленный код, чтобы заставить
mean_motionработать правильно:import cv2 import numpy as np import matplotlib.pyplot as plt # Загрузить видеофайл video = cv2.VideoCapture("movie.mp4") # Создать детектор особых точек ORB orb = cv2.ORB_create() # Создать алгоритм сопоставления FLANN index_params = dict(algorithm=6, table_number=6, key_size=12, multi_probe_level=1) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) # Создать пустой массив для хранения среднего перемещения mean_motion = [] # Инициализировать переменные для предыдущих ключевых точек и гистограмм kp_prev = None des_prev = None # Цикл по всем кадрам видео while True: # Читать текущий кадр ret, frame = video.read() # Если кадр не прочитан, то выйти из цикла if not ret: break # Преобразовать кадр в черно-белое изображение gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # Найти особые точки на кадре kp, des = orb.detectAndCompute(gray, None) # Если это не первый кадр, то сопоставить особые точки с предыдущим кадром if kp_prev is not None and des_prev is not None: # Найти соответствия между точками matches = flann.knnMatch(des_prev, des, k=2) # Отфильтровать хорошие соответствия по критерию Лоу (Lowe's ratio test) good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) # Если есть хорошие соответствия, то вычислить среднее перемещение if len(good_matches) > 0: # Получить координаты сопоставленных точек на обоих кадрах src_pts = np.float32([kp_prev[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) # Вычислить расстояние между точками distances = np.linalg.norm(src_pts - dst_pts, axis=2).flatten() # Посчитать среднее расстояние mean_distance = np.mean(distances) # Добавить среднее расстояние в массив mean_motion.append(mean_distance) else: # Если нет хороших соответствий, то добавить ноль в массив mean_motion.append(0) # Сохранить текущий кадр и его особые точки для следующей итерации frame_prev = frame.copy() kp_prev = kp des_prev = des # Освободить ресурсы видео video.release() # Построить график среднего перемещения по времени plt.plot(mean_motion) plt.xlabel("Время (кадры)") plt.ylabel("Среднее перемещение (пиксели)") plt.title("Динамичность сцен фильма") plt.show()Теперь
kp_prevиdes_prevинициализируются перед началом цикла, иmean_motionдолжен заполняться правильно.