ysn-rfd/text-dataset-tiny-code-script-py-format

1import cv2
2import numpy as np
3
4# استفاده از الگوریتم پیشرفته KNN برای background subtraction
5back_sub = cv2.createBackgroundSubtractorKNN(history=500, dist2Threshold=400, detectShadows=True)
6
7# تابع برای محاسبه مرکز (centroid)
8def get_centroid(x, y, w, h):
9    return (int(x + w / 2), int(y + h / 2))
10
11# گرفتن تصویر از دوربین
12cap = cv2.VideoCapture(0)
13
14# Kalman Filter برای ردیابی دقیق‌تر
15kalman = cv2.KalmanFilter(4, 2)
16kalman.measurementMatrix = np.array([[1, 0, 0, 0], [0, 1, 0, 0]], np.float32)
17kalman.transitionMatrix = np.array([[1, 0, 1, 0], [0, 1, 0, 1], [0, 0, 1, 0], [0, 0, 0, 1]], np.float32)
18kalman.processNoiseCov = np.array([[1e-5, 0, 0, 0], [0, 1e-5, 0, 0], [0, 0, 1e-5, 0], [0, 0, 0, 1e-5]], np.float32)
19
20while True:
21    ret, frame = cap.read()
22    if not ret:
23        break
24
25    # تبدیل تصویر به خاکستری
26    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
27    
28    # دریافت ماسک اشیاء متحرک
29    fg_mask = back_sub.apply(frame)
30
31    # حذف نویز پیشرفته با استفاده از GaussianBlur و MedianBlur
32    fg_mask = cv2.GaussianBlur(fg_mask, (5, 5), 0)  # حذف نویز با بلور گوسی
33    fg_mask = cv2.medianBlur(fg_mask, 5)  # حذف نویز با استفاده از MedianBlur
34
35    # اعمال عملیات مورفولوژیکی پیچیده‌تر برای حذف نویز و سایه‌ها
36    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))  # هسته بزرگتر
37    fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_CLOSE, kernel, iterations=2)  # استفاده از عملیات CLOSE
38    fg_mask = cv2.dilate(fg_mask, kernel, iterations=3)  # افزایش سایز ماسک
39
40    # پیدا کردن کانتورها
41    contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
42
43    for cnt in contours:
44        area = cv2.contourArea(cnt)
45        if area > 500:  # فقط اشیاء بزرگتر از این اندازه رو بررسی کن
46            x, y, w, h = cv2.boundingRect(cnt)
47            centroid = get_centroid(x, y, w, h)
48            
49            # استفاده از Kalman Filter برای پیش‌بینی موقعیت شیء
50            kalman.correct(np.array([np.float32(centroid[0]), np.float32(centroid[1])]))
51            prediction = kalman.predict()
52            
53            predicted_x, predicted_y = int(prediction[0]), int(prediction[1])
54            
55            # رسم باکس و پیش‌بینی موقعیت
56            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
57            cv2.circle(frame, centroid, 4, (0, 0, 255), -1)
58            cv2.putText(frame, "Moving Object", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
59            cv2.circle(frame, (predicted_x, predicted_y), 4, (255, 0, 0), -1)  # پیش‌بینی موقعیت
60
61    # نمایش تصویر
62    cv2.imshow('Optimized Object Tracking', frame)
63
64    # خروج از برنامه با کلید ESC
65    if cv2.waitKey(1) & 0xFF == 27:
66        break
67
68cap.release()
69cv2.destroyAllWindows()
70