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# ایجاد یک فیلتر کالمن برای پیگیری حرکت شیء
12kalman = cv2.KalmanFilter(4, 2)
13kalman.transitionMatrix = np.array([[1, 0, 1, 0],
14                                    [0, 1, 0, 1],
15                                    [0, 0, 1, 0],
16                                    [0, 0, 0, 1]], np.float32)
17kalman.measurementMatrix = np.array([[1, 0, 0, 0],
18                                     [0, 1, 0, 0]], np.float32)
19kalman.processNoiseCov = np.array([[1e-2, 0, 0, 0],
20                                   [0, 1e-2, 0, 0],
21                                   [0, 0, 1, 0],
22                                   [0, 0, 0, 1]], np.float32)
23kalman.errorCovPost = np.eye(4, dtype=np.float32)
24kalman.statePost = np.zeros((4, 1), np.float32)
25
26# گرفتن تصویر از دوربین
27cap = cv2.VideoCapture(0)
28
29while True:
30    ret, frame = cap.read()
31    if not ret:
32        break
33
34    # تبدیل تصویر به خاکستری
35    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
36    
37    # دریافت ماسک اشیاء متحرک
38    fg_mask = back_sub.apply(frame)
39
40    # اعمال عملیات مورفولوژیکی برای حذف سایه‌ها و نویز
41    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
42    fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, kernel, iterations=1)
43    fg_mask = cv2.dilate(fg_mask, kernel, iterations=1)
44
45    # پیدا کردن کانتورها
46    contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
47
48    for cnt in contours:
49        area = cv2.contourArea(cnt)
50        if area > 100:  # فقط اشیاء بزرگتر از این اندازه رو بررسی کن
51            x, y, w, h = cv2.boundingRect(cnt)
52            centroid = get_centroid(x, y, w, h)
53            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
54            cv2.circle(frame, centroid, 4, (0, 0, 255), -1)
55            cv2.putText(frame, "Moving Object", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
56            
57            # اندازه‌گیری موقعیت شیء و پیش‌بینی با فیلتر کالمن
58            kalman.correct(np.array([x + w / 2, y + h / 2], np.float32))
59            prediction = kalman.predict()
60            
61            # استخراج مقادیر پیش‌بینی شده
62            predicted_x, predicted_y = int(prediction[0, 0]), int(prediction[1, 0])
63            
64            # رسم موقعیت پیش‌بینی شده
65            cv2.circle(frame, (predicted_x, predicted_y), 4, (255, 0, 0), -1)
66
67    # نمایش تصویر پردازش شده
68    cv2.imshow('Real-Time Object Tracking with Kalman Filter', frame)
69
70    # خروج از برنامه با کلید ESC
71    if cv2.waitKey(1) & 0xFF == 27:
72        break
73
74cap.release()
75cv2.destroyAllWindows()
76