質問編集履歴
1
書式の改善
test
CHANGED
File without changes
|
test
CHANGED
@@ -16,7 +16,7 @@
|
|
16
16
|
|
17
17
|
|
18
18
|
|
19
|
-
|
19
|
+
プログラムは起動するが、断続的にカメラの画角に動くものがあると、シャッターを切るようにして静止画が表示されます。
|
20
20
|
|
21
21
|
|
22
22
|
|
@@ -24,8 +24,358 @@
|
|
24
24
|
|
25
25
|
移動物体検出のプログラム
|
26
26
|
|
27
|
+
```
|
28
|
+
|
29
|
+
import cv2
|
30
|
+
|
31
|
+
import numpy as np
|
32
|
+
|
33
|
+
|
34
|
+
|
35
|
+
|
36
|
+
|
37
|
+
# 追跡対象の色範囲( Hue の値域)
|
38
|
+
|
39
|
+
def is_target(roi):
|
40
|
+
|
41
|
+
return (roi <= 30) | (roi >= 150)
|
42
|
+
|
43
|
+
|
44
|
+
|
45
|
+
|
46
|
+
|
47
|
+
# マスクから面積最大ブロブの中心座標を算出
|
48
|
+
|
49
|
+
def max_moment_point(mask):
|
50
|
+
|
51
|
+
# ラベリング処理
|
52
|
+
|
53
|
+
label = cv2.connectedComponentsWithStats(mask)
|
54
|
+
|
55
|
+
data = np.delete(label[2], 0, 0) # ブロブのデータ
|
56
|
+
|
57
|
+
center = np.delete(label[3], 0, 0) # 各ブロブの中心座標
|
58
|
+
|
59
|
+
moment = data[:,4] # 各ブロブの面積
|
60
|
+
|
61
|
+
max_index = np.argmax(moment) # 面積最大のインデックス
|
62
|
+
|
63
|
+
return center[max_index] # 面積最大のブロブの中心座標
|
64
|
+
|
65
|
+
|
66
|
+
|
67
|
+
|
68
|
+
|
69
|
+
# パーティクルの初期化
|
70
|
+
|
71
|
+
def initialize(img, N):
|
72
|
+
|
73
|
+
mask = img.copy() # 画像のコピー
|
74
|
+
|
75
|
+
mask[is_target(mask) == False] = 0 # マスク画像の作成(追跡対象外の色なら画素値 0 )
|
76
|
+
|
77
|
+
x, y = max_moment_point(mask) # マスクから面積最大ブロブの中心座標を算出
|
78
|
+
|
79
|
+
w = calc_likelihood(x, y, img) # 尤度の算出
|
80
|
+
|
81
|
+
ps = np.ndarray((N, 3), dtype=np.float32) # パーティクル格納用の配列を生成
|
82
|
+
|
83
|
+
ps[:] = [x, y, w] # パーティクル用配列に中心座標と尤度をセット
|
84
|
+
|
85
|
+
return ps
|
86
|
+
|
87
|
+
|
88
|
+
|
89
|
+
|
90
|
+
|
91
|
+
# 1. リサンプリング ( 前状態の重みに応じてパーティクルを再選定 )
|
92
|
+
|
93
|
+
def resampling(ps):
|
94
|
+
|
95
|
+
|
96
|
+
|
97
|
+
# 累積重みの計算
|
98
|
+
|
99
|
+
ws = ps[:, 2].cumsum()
|
100
|
+
|
101
|
+
last_w = ws[ws.shape[0] - 1]
|
102
|
+
|
103
|
+
|
104
|
+
|
105
|
+
# 新しいパーティクル用の空配列を生成
|
106
|
+
|
107
|
+
new_ps = np.empty(ps.shape)
|
108
|
+
|
109
|
+
|
110
|
+
|
111
|
+
# 前状態の重みに応じてパーティクルをリサンプリング(重みは 1.0 )
|
112
|
+
|
113
|
+
for i in range(ps.shape[0]):
|
114
|
+
|
115
|
+
w = np.random.rand() * last_w
|
116
|
+
|
117
|
+
new_ps[i] = ps[(ws > w).argmax()]
|
118
|
+
|
119
|
+
new_ps[i, 2] = 1.0
|
120
|
+
|
121
|
+
return new_ps
|
122
|
+
|
123
|
+
|
124
|
+
|
125
|
+
|
126
|
+
|
127
|
+
# 2. 推定(パーティクルの位置)
|
128
|
+
|
129
|
+
def predict_position(ps, var=13.0):
|
130
|
+
|
131
|
+
# 分散に従ってランダムに少し位置をずらす
|
132
|
+
|
133
|
+
ps[:, 0] += np.random.randn((ps.shape[0])) * var
|
134
|
+
|
135
|
+
ps[:, 1] += np.random.randn((ps.shape[0])) * var
|
136
|
+
|
137
|
+
|
138
|
+
|
139
|
+
|
140
|
+
|
141
|
+
# 尤度の算出
|
142
|
+
|
143
|
+
def calc_likelihood(x, y, img, w=30, h=30):
|
144
|
+
|
145
|
+
|
146
|
+
|
147
|
+
# 画像から座標 (x,y) を中心とする幅
|
148
|
+
|
149
|
+
x1, y1 = max(0, x-w/2), max(0, y-h/2)
|
150
|
+
|
151
|
+
x2, y2 = min(img.shape[1], x+w/2), min(img.shape[0], y+h/2)
|
152
|
+
|
153
|
+
x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)
|
154
|
+
|
155
|
+
roi = img[y1:y2, x1:x2]
|
156
|
+
|
157
|
+
|
158
|
+
|
159
|
+
# 矩形領域中に含まれる追跡対象 ( 色 ) の存在率を尤度として計算
|
160
|
+
|
161
|
+
count = roi[is_target(roi)].size
|
162
|
+
|
163
|
+
return (float(count) / img.size) if count > 0 else 0.0001
|
164
|
+
|
165
|
+
|
166
|
+
|
167
|
+
|
168
|
+
|
169
|
+
# パーティクルの重み付け
|
170
|
+
|
171
|
+
def calc_weight(ps, img):
|
172
|
+
|
173
|
+
|
174
|
+
|
175
|
+
# 尤度に従ってパーティクルの重み付け
|
176
|
+
|
177
|
+
for i in range(ps.shape[0]):
|
178
|
+
|
179
|
+
ps[i][2] = calc_likelihood(ps[i, 0], ps[i, 1], img)
|
180
|
+
|
181
|
+
|
182
|
+
|
183
|
+
# 重みの正規化
|
184
|
+
|
185
|
+
ps[:, 2] *= ps.shape[0] / ps[:, 2].sum()
|
186
|
+
|
187
|
+
|
188
|
+
|
189
|
+
|
190
|
+
|
191
|
+
# 3. 観測(全パーティクルの重み付き平均を取得)
|
192
|
+
|
193
|
+
def observer(ps, img):
|
194
|
+
|
195
|
+
# パーティクルの重み付け
|
196
|
+
|
197
|
+
calc_weight(ps, img)
|
198
|
+
|
199
|
+
|
200
|
+
|
201
|
+
# 重み和の計算
|
202
|
+
|
203
|
+
x = (ps[:, 0] * ps[:, 2]).sum()
|
204
|
+
|
205
|
+
y = (ps[:, 1] * ps[:, 2]).sum()
|
206
|
+
|
207
|
+
|
208
|
+
|
209
|
+
# 重み付き平均を返す
|
210
|
+
|
211
|
+
return (x, y) / ps[:, 2].sum()
|
212
|
+
|
213
|
+
|
214
|
+
|
215
|
+
|
216
|
+
|
217
|
+
# 「パーティクル・フィルタ」
|
218
|
+
|
219
|
+
def particle_filter(ps, img, N=300):
|
220
|
+
|
221
|
+
# パーティクルが無い場合
|
222
|
+
|
223
|
+
if ps is None:
|
224
|
+
|
225
|
+
ps = initialize(img, N) # パーティクルを初期化
|
226
|
+
|
227
|
+
|
228
|
+
|
229
|
+
ps = resampling(ps) # 1. リサンプリング
|
230
|
+
|
231
|
+
predict_position(ps) # 2. 推定
|
232
|
+
|
233
|
+
x, y = observer(ps, img) # 3. 観測
|
234
|
+
|
235
|
+
return ps, int(x), int(y)
|
236
|
+
|
237
|
+
|
238
|
+
|
239
|
+
|
240
|
+
|
241
|
+
def main():
|
242
|
+
|
243
|
+
|
244
|
+
|
245
|
+
# 動画のキャプチャ
|
246
|
+
|
247
|
+
cap = cv2.VideoCapture("input1.mp4")
|
248
|
+
|
249
|
+
ps = None
|
250
|
+
|
251
|
+
|
252
|
+
|
253
|
+
while(cap.isOpened()):
|
254
|
+
|
255
|
+
|
256
|
+
|
257
|
+
ret, frame = cap.read()
|
258
|
+
|
259
|
+
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV_FULL)
|
260
|
+
|
261
|
+
h = hsv[:, :, 0]
|
262
|
+
|
263
|
+
|
264
|
+
|
265
|
+
# S, V を 2 値化(大津の手法)
|
266
|
+
|
267
|
+
ret, s = cv2.threshold(hsv[:, :, 1], 0, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)
|
268
|
+
|
269
|
+
ret, v = cv2.threshold(hsv[:, :, 2], 0, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)
|
270
|
+
|
271
|
+
h[(s == 0) | (v == 0)] = 100
|
272
|
+
|
273
|
+
|
274
|
+
|
275
|
+
# 「パーティクル・フィルタ」
|
276
|
+
|
277
|
+
ps, x, y = particle_filter(ps, h, 300)
|
278
|
+
|
279
|
+
|
280
|
+
|
281
|
+
if ps is None:
|
282
|
+
|
283
|
+
continue
|
284
|
+
|
285
|
+
|
286
|
+
|
287
|
+
# 画像の範囲内にあるパーティクルのみ取り出し
|
288
|
+
|
289
|
+
ps1 = ps[(ps[:, 0] >= 0) & (ps[:, 0] < frame.shape[1]) &
|
290
|
+
|
291
|
+
(ps[:, 1] >= 0) & (ps[:, 1] < frame.shape[0])]
|
292
|
+
|
293
|
+
|
294
|
+
|
295
|
+
# パーティクルを赤色で塗りつぶす
|
296
|
+
|
297
|
+
for i in range(ps1.shape[0]):
|
298
|
+
|
299
|
+
frame[int(ps1[i, 1]), int(ps1[i, 0])] = [0, 0, 200]
|
300
|
+
|
301
|
+
|
302
|
+
|
303
|
+
# パーティクルの集中部分を赤い矩形で囲む
|
304
|
+
|
305
|
+
cv2.rectangle(frame, (x-20, y-20), (x+20, y+20), (0, 0, 200), 5)
|
306
|
+
|
307
|
+
cv2.imshow('Result', frame)
|
308
|
+
|
309
|
+
|
310
|
+
|
311
|
+
# q キーが押されたら終了
|
312
|
+
|
313
|
+
if cv2.waitKey(25) & 0xFF == ord('q'):
|
314
|
+
|
315
|
+
break
|
316
|
+
|
317
|
+
|
318
|
+
|
319
|
+
cap.release()
|
320
|
+
|
321
|
+
cv2.destroyAllWindows()
|
322
|
+
|
323
|
+
|
324
|
+
|
325
|
+
|
326
|
+
|
327
|
+
if __name__ == "__main__":
|
328
|
+
|
329
|
+
main()
|
330
|
+
|
331
|
+
```
|
332
|
+
|
333
|
+
カメラから動画を取得するプログラム
|
334
|
+
|
27
335
|
```import cv2
|
28
336
|
|
337
|
+
|
338
|
+
|
339
|
+
# VideoCapture オブジェクトを取得します
|
340
|
+
|
341
|
+
capture = cv2.VideoCapture(0)
|
342
|
+
|
343
|
+
|
344
|
+
|
345
|
+
while(True):
|
346
|
+
|
347
|
+
ret, frame = capture.read()
|
348
|
+
|
349
|
+
cv2.imshow('frame',frame)
|
350
|
+
|
351
|
+
if cv2.waitKey(1) & 0xFF == ord('q'):
|
352
|
+
|
353
|
+
break
|
354
|
+
|
355
|
+
|
356
|
+
|
357
|
+
capture.release()
|
358
|
+
|
359
|
+
cv2.destroyAllWindows()
|
360
|
+
|
361
|
+
```
|
362
|
+
|
363
|
+
|
364
|
+
|
365
|
+
### 試したこと
|
366
|
+
|
367
|
+
各プログラムはそれぞれ、問題なく動くのを確認済みです。
|
368
|
+
|
369
|
+
|
370
|
+
|
371
|
+
前者のプログラムの#動画のキャプチャ を後者のプログラムに差し替えました。
|
372
|
+
|
373
|
+
|
374
|
+
|
375
|
+
```
|
376
|
+
|
377
|
+
import cv2
|
378
|
+
|
29
379
|
import numpy as np
|
30
380
|
|
31
381
|
|
@@ -38,9 +388,9 @@
|
|
38
388
|
|
39
389
|
return (roi <= 30) | (roi >= 150)
|
40
390
|
|
41
|
-
|
42
|
-
|
43
|
-
|
391
|
+
|
392
|
+
|
393
|
+
|
44
394
|
|
45
395
|
# マスクから面積最大ブロブの中心座標を算出
|
46
396
|
|
@@ -60,9 +410,9 @@
|
|
60
410
|
|
61
411
|
return center[max_index] # 面積最大のブロブの中心座標
|
62
412
|
|
63
|
-
|
64
|
-
|
65
|
-
|
413
|
+
|
414
|
+
|
415
|
+
|
66
416
|
|
67
417
|
# パーティクルの初期化
|
68
418
|
|
@@ -82,9 +432,9 @@
|
|
82
432
|
|
83
433
|
return ps
|
84
434
|
|
85
|
-
|
86
|
-
|
87
|
-
|
435
|
+
|
436
|
+
|
437
|
+
|
88
438
|
|
89
439
|
# 1. リサンプリング ( 前状態の重みに応じてパーティクルを再選定 )
|
90
440
|
|
@@ -98,13 +448,13 @@
|
|
98
448
|
|
99
449
|
last_w = ws[ws.shape[0] - 1]
|
100
450
|
|
101
|
-
|
451
|
+
|
102
452
|
|
103
453
|
# 新しいパーティクル用の空配列を生成
|
104
454
|
|
105
455
|
new_ps = np.empty(ps.shape)
|
106
456
|
|
107
|
-
|
457
|
+
|
108
458
|
|
109
459
|
# 前状態の重みに応じてパーティクルをリサンプリング(重みは 1.0 )
|
110
460
|
|
@@ -118,9 +468,9 @@
|
|
118
468
|
|
119
469
|
return new_ps
|
120
470
|
|
121
|
-
|
122
|
-
|
123
|
-
|
471
|
+
|
472
|
+
|
473
|
+
|
124
474
|
|
125
475
|
# 2. 推定(パーティクルの位置)
|
126
476
|
|
@@ -132,9 +482,9 @@
|
|
132
482
|
|
133
483
|
ps[:, 1] += np.random.randn((ps.shape[0])) * var
|
134
484
|
|
135
|
-
|
136
|
-
|
137
|
-
|
485
|
+
|
486
|
+
|
487
|
+
|
138
488
|
|
139
489
|
# 尤度の算出
|
140
490
|
|
@@ -152,7 +502,7 @@
|
|
152
502
|
|
153
503
|
roi = img[y1:y2, x1:x2]
|
154
504
|
|
155
|
-
|
505
|
+
|
156
506
|
|
157
507
|
# 矩形領域中に含まれる追跡対象 ( 色 ) の存在率を尤度として計算
|
158
508
|
|
@@ -160,9 +510,9 @@
|
|
160
510
|
|
161
511
|
return (float(count) / img.size) if count > 0 else 0.0001
|
162
512
|
|
163
|
-
|
164
|
-
|
165
|
-
|
513
|
+
|
514
|
+
|
515
|
+
|
166
516
|
|
167
517
|
# パーティクルの重み付け
|
168
518
|
|
@@ -176,15 +526,15 @@
|
|
176
526
|
|
177
527
|
ps[i][2] = calc_likelihood(ps[i, 0], ps[i, 1], img)
|
178
528
|
|
179
|
-
|
529
|
+
|
180
530
|
|
181
531
|
# 重みの正規化
|
182
532
|
|
183
533
|
ps[:, 2] *= ps.shape[0] / ps[:, 2].sum()
|
184
534
|
|
185
|
-
|
186
|
-
|
187
|
-
|
535
|
+
|
536
|
+
|
537
|
+
|
188
538
|
|
189
539
|
# 3. 観測(全パーティクルの重み付き平均を取得)
|
190
540
|
|
@@ -194,7 +544,7 @@
|
|
194
544
|
|
195
545
|
calc_weight(ps, img)
|
196
546
|
|
197
|
-
|
547
|
+
|
198
548
|
|
199
549
|
# 重み和の計算
|
200
550
|
|
@@ -202,15 +552,15 @@
|
|
202
552
|
|
203
553
|
y = (ps[:, 1] * ps[:, 2]).sum()
|
204
554
|
|
205
|
-
|
555
|
+
|
206
556
|
|
207
557
|
# 重み付き平均を返す
|
208
558
|
|
209
559
|
return (x, y) / ps[:, 2].sum()
|
210
560
|
|
211
|
-
|
212
|
-
|
213
|
-
|
561
|
+
|
562
|
+
|
563
|
+
|
214
564
|
|
215
565
|
# 「パーティクル・フィルタ」
|
216
566
|
|
@@ -222,7 +572,7 @@
|
|
222
572
|
|
223
573
|
ps = initialize(img, N) # パーティクルを初期化
|
224
574
|
|
225
|
-
|
575
|
+
|
226
576
|
|
227
577
|
ps = resampling(ps) # 1. リサンプリング
|
228
578
|
|
@@ -232,9 +582,9 @@
|
|
232
582
|
|
233
583
|
return ps, int(x), int(y)
|
234
584
|
|
235
|
-
|
236
|
-
|
237
|
-
|
585
|
+
|
586
|
+
|
587
|
+
|
238
588
|
|
239
589
|
def main():
|
240
590
|
|
@@ -242,23 +592,45 @@
|
|
242
592
|
|
243
593
|
# 動画のキャプチャ
|
244
594
|
|
595
|
+
# VideoCapture オブジェクトを取得します
|
596
|
+
|
597
|
+
import cv2
|
598
|
+
|
599
|
+
|
600
|
+
|
245
|
-
cap = cv2.VideoCapture(
|
601
|
+
capture = cv2.VideoCapture(0)
|
602
|
+
|
603
|
+
|
604
|
+
|
605
|
+
ret, frame = cv2.VideoCapture(0).read()
|
606
|
+
|
607
|
+
cv2.imshow('frame',frame)
|
608
|
+
|
609
|
+
if cv2.waitKey(1) & 0xFF == ord('q'):
|
610
|
+
|
611
|
+
|
612
|
+
|
613
|
+
|
614
|
+
|
615
|
+
cv2.VideoCapture(0).release()
|
616
|
+
|
617
|
+
cv2.destroyAllWindows()
|
246
618
|
|
247
619
|
ps = None
|
248
620
|
|
249
|
-
|
250
|
-
|
621
|
+
|
622
|
+
|
251
|
-
while(cap.isOpened()):
|
623
|
+
while(cv2.VideoCapture(0).isOpened()):
|
252
|
-
|
253
|
-
|
254
|
-
|
624
|
+
|
625
|
+
|
626
|
+
|
255
|
-
ret, frame = cap.read()
|
627
|
+
ret, frame = cv2.VideoCapture(0).read()
|
256
628
|
|
257
629
|
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV_FULL)
|
258
630
|
|
259
631
|
h = hsv[:, :, 0]
|
260
632
|
|
261
|
-
|
633
|
+
|
262
634
|
|
263
635
|
# S, V を 2 値化(大津の手法)
|
264
636
|
|
@@ -268,19 +640,19 @@
|
|
268
640
|
|
269
641
|
h[(s == 0) | (v == 0)] = 100
|
270
642
|
|
271
|
-
|
643
|
+
|
272
644
|
|
273
645
|
# 「パーティクル・フィルタ」
|
274
646
|
|
275
647
|
ps, x, y = particle_filter(ps, h, 300)
|
276
648
|
|
277
|
-
|
649
|
+
|
278
650
|
|
279
651
|
if ps is None:
|
280
652
|
|
281
653
|
continue
|
282
654
|
|
283
|
-
|
655
|
+
|
284
656
|
|
285
657
|
# 画像の範囲内にあるパーティクルのみ取り出し
|
286
658
|
|
@@ -288,7 +660,7 @@
|
|
288
660
|
|
289
661
|
(ps[:, 1] >= 0) & (ps[:, 1] < frame.shape[0])]
|
290
662
|
|
291
|
-
|
663
|
+
|
292
664
|
|
293
665
|
# パーティクルを赤色で塗りつぶす
|
294
666
|
|
@@ -296,7 +668,7 @@
|
|
296
668
|
|
297
669
|
frame[int(ps1[i, 1]), int(ps1[i, 0])] = [0, 0, 200]
|
298
670
|
|
299
|
-
|
671
|
+
|
300
672
|
|
301
673
|
# パーティクルの集中部分を赤い矩形で囲む
|
302
674
|
|
@@ -304,7 +676,7 @@
|
|
304
676
|
|
305
677
|
cv2.imshow('Result', frame)
|
306
678
|
|
307
|
-
|
679
|
+
|
308
680
|
|
309
681
|
# q キーが押されたら終了
|
310
682
|
|
@@ -312,62 +684,24 @@
|
|
312
684
|
|
313
685
|
break
|
314
686
|
|
315
|
-
|
316
|
-
|
687
|
+
|
688
|
+
|
317
|
-
cap.release()
|
689
|
+
cv2.VideoCapture(0).release()
|
318
690
|
|
319
691
|
cv2.destroyAllWindows()
|
320
692
|
|
321
|
-
|
322
|
-
|
323
|
-
|
693
|
+
|
694
|
+
|
695
|
+
|
324
696
|
|
325
697
|
if __name__ == "__main__":
|
326
698
|
|
327
699
|
main()
|
328
700
|
|
701
|
+
|
702
|
+
|
329
703
|
```
|
330
704
|
|
331
|
-
カメラから動画を取得するプログラム
|
332
|
-
|
333
|
-
```import cv2
|
334
|
-
|
335
|
-
|
336
|
-
|
337
|
-
# VideoCapture オブジェクトを取得します
|
338
|
-
|
339
|
-
capture = cv2.VideoCapture(0)
|
340
|
-
|
341
|
-
|
342
|
-
|
343
|
-
while(True):
|
344
|
-
|
345
|
-
ret, frame = capture.read()
|
346
|
-
|
347
|
-
cv2.imshow('frame',frame)
|
348
|
-
|
349
|
-
if cv2.waitKey(1) & 0xFF == ord('q'):
|
350
|
-
|
351
|
-
break
|
352
|
-
|
353
|
-
|
354
|
-
|
355
|
-
capture.release()
|
356
|
-
|
357
|
-
cv2.destroyAllWindows()
|
358
|
-
|
359
|
-
```
|
360
|
-
|
361
|
-
|
362
|
-
|
363
|
-
### 試したこと
|
364
|
-
|
365
|
-
移動物体検出のプログラムのline 110 # 動画のキャプチャ 以降の部分を、後者のプログラムに差し替えて行ってみましたが、うまくいきません。
|
366
|
-
|
367
|
-
|
368
|
-
|
369
|
-
また、各プログラムはそれぞれ、問題なく動くのを確認済みです。
|
370
|
-
|
371
705
|
|
372
706
|
|
373
707
|
### 補足情報(FW/ツールのバージョンなど)
|
@@ -388,6 +722,16 @@
|
|
388
722
|
|
389
723
|
###教えてほしいこと
|
390
724
|
|
391
|
-
移動物体検出のプログラムのファイルから動画をインポートする部分を、カメラから取得した動画データに変えて、リアルタイムで移動
|
725
|
+
移動物体検出のプログラムのファイルから動画をインポートする部分を、カメラから取得した動画データに変えて、リアルタイムで移動体検出をしたいです。
|
726
|
+
|
727
|
+
|
728
|
+
|
392
|
-
|
729
|
+
試したコードだと、断続的過ぎてしまいます、処理したい環境は自動車の交通の流れを上から見るようなものを、想定しており 現在は天井に設置したカメラからラジコンの車のような物を検出しようとしています。
|
730
|
+
|
731
|
+
|
732
|
+
|
733
|
+
なので、カメラからの映像がそのまま流れ、その中で移動体を常に検出し、追跡できるプログラムを目指しております。
|
734
|
+
|
393
|
-
|
735
|
+
このプログラムを改良すれば可能でしょうか? また、何かアドバイスはございませんか?
|
736
|
+
|
737
|
+
よろしくお願いします。。。
|