导言
在本系列文章中，我们将探讨如何在视频帧上使用人工智能和深入学习，以确保人们在人群中保持足够的社交距离。
在这里，我们将学习如何使用OpenCV处理图像和视频序列。我们学习如何从摄像头和视频文件中读取、写入和显示图像和视频。
2020年，随着COVID-19 病毒危机席卷全球，社交距离突然变得非常重要。社交隔离措施对公共卫生至关重要，但也不可能同时在任何地方实施。
在本系列文章中，我们将探讨如何在视频帧上使用人工智能和深入学习，以确保人们在人群中保持足够的社交距离。在本系列的最后，您将了解如何使用人工智能来确定人们有没有遵守社交距离协议：
社交距离探测器，通常应用于图像或视频序列。首先，我们将解释如何使用Python 3和OpenCV从摄像机中获取图像、读取和编写图片以及视频序列。在下一步中，我们将学习如何使用OpenCV对检测到的对象进行分析。
OpenCV是一个流行的开源、跨平台的实时计算机视觉应用程序库，它为图像处理、目标检测、机器学习、深度学习、计算摄影等提供了方便的API。要在Python 3应用程序中开始使用OpenCV，只需安装opencv-python：
pip3 install opencv-python然后导入cv2模块如下：
import cv2 as opencv有了它，您就可以使用OpenCV了。在接下来的部分中，我们将使用OpenCV API来读取、显示和写入图像。然后，我们将学习如何处理视频流，并从网络摄像头获取视频。
静态图像的读取和显示
我们首先从Lena.png文件中读取图像。下面是加载和显示图像的完整Python脚本：
import cv2 as opencv # Load image file_path = Lena.png lena_img = opencv.imread(file_path) # Display image opencv.imshow(Lena, lena_img) opencv.waitKey(0)首先，我使用imread函数从文件中读取图像。我将此操作的结果存储在lena_img变量。然后，我使用imshow方法。此方法接受两个参数：将在其中显示图像的窗口的标题和要显示的图像。注意最后一次调用waitKey功能。它将阻止脚本执行以显示图像，直到用户按下任何键。waitKey函数是延时作用。我写入参数0，这意味着无限延时。
运行上述脚本后，您将看到Lena图片：
注意，imread函数，除图像文件路径外，还接受指示图像颜色比例的可选参数。您可以使用以下三个值之一：
IMREAD_GRAYSCALE或者1-图像将以灰度形式加载。 IMREAD_COLOR或者0-图像将以颜色加载，忽略透明通道。 IMREAD_UNCHANGED或者-1-图像将使用原始颜色刻度加载并包含透明度。这个IMREAD_COLOR选项是默认选项。这就是为什么我们看到的彩色版本的莉娜图像。让我们看看如何以灰度加载图像。为此，请修改imread详情如下：
lena_img = opencv.imread(file_path, opencv.IMREAD_GRAYSCALE)重新运行脚本之后，您将看到以下输出：
图片保存
现在我们已经知道了如何读取和显示图像，让我们看看如何将图片写入磁盘。为此，我们将使用以下语句扩展脚本：
# Process image (Gaussian blur) kernel_size = (11,11) sigma_X = 0 lena_img_processed = opencv.GaussianBlur(lena_img, kernel_size, sigma_X) # Save image output_file_path = Lena-processed.jpg opencv.imwrite(output_file_path, lena_img_processed)上面的脚本首先模糊了预定义的11×11像素的图像。GaussianBlur方法来自OpenCV。模糊图像存储在lena_img_processed变量，然后将其保存到Lena-processed.png与imwrite方法。如上文所示，imwrite接受两个参数。第一个是文件的路径，第二个是要写入的图像。或者，imwrite接受压缩参数数组。您可以按以下方式传递它们：
opencv.imwrite(output_file_path, lena_img_processed, [int(opencv.IMWRITE_JPEG_QUALITY), 100])修改后的脚本的结果将是Lena-processed.jpg，看起来是这样的：
视频捕获
若要从网络摄像机中捕获帧，请使用来自OpenCV的对象VideoCapture。其构造函数接受表示摄像机索引的整数或视频文件的路径。我从摄像机索引开始，并传递0：
import cv2 as opencv # Create video capture video_capture = opencv.VideoCapture(0)然后，要从网络摄像机中捕获帧，可以使用read的功能VideoCapture类实例。此方法返回捕获状态(布尔值)和获取的帧。因此，下一步是检查状态并使用imshow职能：
quit_key = ord(q) # Display images in a loop until user presses q key while(True): (status, camera_frame) = video_capture.read() if(status): opencv.imshow(Camera preview, camera_frame) key = opencv.waitKey(10) if(key == quit_key): break上述过程将继续进行，直到用户按下键盘上的‘q’。运行此脚本时，您将看到从默认摄像头中捕获的视频序列。
将摄像机帧写入视频文件
还可以将捕获的帧写入文件。你用VideoWriter为了这个目的。在创建此类型的对象时，需要提供视频文件的路径、视频编解码器、帧速率和帧大小。OpenCV使用了FourCC编解码器，您可以使用VideoWriter_fourcc对象。您传递一组字母，表示编解码器。例如，要使用MJPG编解码器，将每个字母作为参数传递如下：
codec = opencv.VideoWriter_fourcc(M,J,P,G)下面是一个完整的示例，演示如何将视频序列从摄像头写入视频文件：
import cv2 as opencv quit_key = ord(q) # Create video capture video_capture = opencv.VideoCapture(0) # Video writer video_file_name = camera_capture.avi codec = opencv.VideoWriter_fourcc(M,J,P,G) frame_rate = 25 video_writer = None # Display images in a loop until user presses q key while(True): (status, camera_frame) = video_capture.read() if(status): opencv.imshow(Camera preview, camera_frame) if(video_writer == None): frame_size = camera_frame.shape[-2::-1] video_writer = opencv.VideoWriter(video_file_name, codec, frame_rate, frame_size) video_writer.write(camera_frame) key = opencv.waitKey(10) if(key == quit_key): break video_writer.release()上面的脚本通过使用VideoWriter。注意，我初始化了VideoWriter一次，在成功捕获第一帧之后。我这样做是为了能接触到相机的相框大小。我从shape的属性camera_frame。然后，我调用write方法将新帧添加到视频文件中。一旦书写完成，我就调用release方法关闭VideoWriter.
读取视频文件
在最后一步中，我将向您展示如何使用OpenCV读取视频序列。再次，使用VideoCapture对象，但这一次您需要传递视频文件名：
video_capture = opencv.VideoCapture(video_file_name)然后，按照从摄像头获取视频的方式读取连续帧：
video_capture.read()您可以用imshow方法。下面是实现这种功能的完整脚本：
import cv2 as opencv video_file_name = camera_capture.avi frame_rate = 25 video_capture = opencv.VideoCapture(video_file_name) while(True): (status, camera_frame) = video_capture.read() if(status): opencv.imshow(Video file, camera_frame) opencv.waitKey(int(1000/frame_rate)) else: break总结
我们学习了如何使用OpenCV对图像(加载、写入和显示)和视频流(读和写)执行基本操作。这将作为构建我们的AI对象检测器的基础。
