Innehållsförteckning:
Video: RASPBERRY PI Pi OBJECT DETECTION WITH MULTIPLE CAMERA'S: 3 Steps
2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:41
Jag håller introt kort, eftersom själva titeln antyder vad det huvudsakliga syftet med den instruerbara är. I denna steg-för-steg-instruktion kommer jag att förklara hur du ansluter flera kameror som 1-pi-kamera och minst en USB-kamera eller 2 USB-kameror. Installationen gör att vi kan komma åt alla strömmar samtidigt och utföra rörelsedetektering på var och en av dem. Det bästa med detta är att openCV körs i realtid, (eller nära realtid, beroende på antalet kameror du har anslutit). Den kan användas för hemövervakning.
Innehåll
1. Multi-cam inställning
2. Definiera den enkla rörelsedetektorn, åtkomst till strömmarna
4. Slutresultat
Steg 1: Multi-cam-inställning
När du bygger en Raspberry Pi -installation för att utnyttja flera kameror har du två alternativ:
Använd bara flera USB -webbkameror.
Eller använd en Raspberry Pi -kameramodul och minst en USB -webbkamera.
Vi har använt en Logitech c920 webbkamera.
Raspberry pi har en intern kameraport, men om du vill använda flera hallon pi -kameror istället för en USB -kamera måste du skaffa en sköld.
Låt oss nu överväga en 2-kamera-installation med en pi-cam och en USB-kamera. Utmatningen skulle likna den i image_2.
I den återstående delen av detta inlägg kommer vi att definiera den enkla rörelsedetektorkoden för en enda kamera först och sedan implementera den på flera kameror.
Steg 2: Definiera den enkla rörelsedetektorn
I det här avsnittet definierar vi en enkel pythonkod för att upptäcka objekt. För att bibehålla effektiviteten kan vi tänka på att bara ett objekt rör sig i en kameravy.
alla kodfiler bifogas i min Github-länk:
Rekommenderad:
Raspberry Pi Object Detection: 7 steg
Raspberry Pi Object Detection: Den här guiden innehåller steg-för-steg-instruktioner för hur du konfigurerar TensorFlows Object Detection API på Raspberry Pi. Genom att följa stegen i den här guiden kommer du att kunna använda din Raspberry Pi för att utföra objektdetektering på livevideo från en P
Jetson Nano Quadruped Robot Object Detection Tutorial: 4 Steg
Jetson Nano Quadruped Robot Object Detection Tutorial: Nvidia Jetson Nano är ett utvecklarpaket som består av ett SoM (System on Module) och ett referensbärarkort. Det är främst inriktat på att skapa inbäddade system som kräver hög processorkraft för maskininlärning, maskinsyn och video
Arduino Uno + SIM900 + DHT22 + Thingspeak [ENG /PL] MULTIPLE SENSOR DATA !: 3 Steps
![Arduino Uno + SIM900 + DHT22 + Thingspeak [ENG /PL] MULTIPLE SENSOR DATA !: 3 Steps](https://i.howwhatproduce.com/images/005/image-12970-16-j.webp "Arduino Uno + SIM900 + DHT22 + Thingspeak [ENG /PL] MULTIPLE SENSOR DATA !: 3 Steps")
Arduino Uno + SIM900 + DHT22 + Thingspeak [ENG /PL] MULTIPLE SENSOR DATA !: Hej, jag såg att det saknas information om hur man lägger in flera sensordata till thingspeak av Arduino Uno med SIM900 -modul. Så jag gjorde kort instruktioner om anslutning och konfiguration Arduino UNO med SIM900 och DHT22 sensor. Data från DHT22 (temperament
Trafikmönsteranalysator med Live Object Detection: 11 steg (med bilder)
Trafikmönsteranalysator som använder liveobjektdetektering: I dagens värld är trafikljus avgörande för en säker väg. Men många gånger kan trafikljus vara irriterande i situationer där någon närmar sig ljuset precis som det blir rött. Detta slösar bort tid, särskilt om ljuset är för
Visual Object Detection With a Camera (TfCD): 15 steg (med bilder)
Visual Object Detection With a Camera (TfCD): Kognitiva tjänster som kan känna igen känslor, ansikten hos människor eller enkla objekt är för närvarande fortfarande i ett tidigt utvecklingsstadium, men med maskininlärning utvecklas denna teknik alltmer. Vi kan förvänta oss att se mer av denna magi i