Visão Computacional: detecção de movimento com OpenCV

Trabalhando com vídeos - Apresentação

Bem-vindos ao curso de Visão Computacional: Detecção de movimento com OpenCV! Meu nome é Sthefanie Mônica e serei sua instrutora nessa jornada!

Sthefanie Mônica é uma mulher branca de cabelos loiros e lisos. Usa óculos de armação circular na cor prata, delineado na cor branca e veste uma camiseta preta. Ao fundo, uma parede iluminada na cor azul, uma luminária de Data Science e uma planta.

Neste curso, trabalharemos com OpenCV na detecção de movimentos. Na primeira parte, veremos vários vídeos, estabilizados ou não, a fim de analisar a reação do OpenCV.

Após definirmos os vídeos com os quais trabalharemos, aplicaremos máscaras, retirando o fundo dos vídeos, para que possamos fazer a distinção entre objetos passageiros e fundos, viabilizando a aplicação de novas técnicas para remover ruídos. Neste processo, aplicaremos conhecimentos de kernel, filtros e máscaras. Além de construir máscaras, faremos o reconhecimento e utilizaremos o OpenCV para realizar a contagem de carros passando por uma via.

A fim de melhor aproveitar o conteúdo deste curso, é importante que você tenha conhecimentos sobre a linguagem de programação Python, pois a utilizaremos para desenvolver o projeto fazendo uso, também, das bibliotecas OpenCV e NumPy.

Vamos lá? Te vejo nos próximos vídeos!

Trabalhando com vídeos - Detectando movimento

Fazer detecção de vídeos a fim de identificarmos itens como veículos e pessoas, por exemplo, tem se tornado muito comum no campo de visão computacional. Esses são alguns exemplos de aplicação deste artifício:

• monitoramento;
• rastreamento;
• reconhecimento de objetos;
• segmentação de objetos;
• contagem de número de visitantes;
• contagem de veículos.

É preciso entender, inicialmente, que os vídeos são um aglomerado de imagens. Então, ao afirmarmos que um vídeo possui 30 FPS, estamos afirmando que possui 30 frames (quadros) por segundo, o que gera a sensação de movimento.

Para que possamos processar esses vídeos, precisamos de um custo computacional. Tratando-se de imagens, esse custo é maior e pode variar de acordo com a máquina, considerando fatores como processador e nuvem. Para este curso, usaremos vídeos menores a fim de viabilizar esse processamento.

Trabalhando com vídeos - Configurando o ambiente

Antes de aprendermos a remover o fundo dos vídeos e realizar a remoção de ruídos estagnados ou objetos em movimentos, precisamos preparar nosso ambiente de trabalho.

Para este curso, usaremos o Visual Studio Code, uma IDE que podemos utilizar no nosso computador sem necessitar de acesso à internet, portanto, o primeiro passo é instalá-lo. Após essa instalação, faremos algumas configurações iniciais.

Na aba inicial do VS Code, iremos em Arquivo > Abrir Pasta e escolheremos a pasta na qual desejamos salvar os nossos códigos - esta escolha fica a seu critério. Dentro desta pasta, devem constar os dados que utilizaremos neste curso. Em uma das atividades, os dados foram disponibilizados para que você possa baixá-los e armazená-los na sua pasta.

No menu superior esquerdo do VS Code, iremos em Ver > Paleta de Comandos > Python: Selecionar Interpretador. Utilizaremos o Anaconda (Python 3.9.7('base': conda)), para isso é preciso tê-lo instalado na máquina. Após selecioná-lo, quando formos abrir um novo arquivo, esta base aparecerá no canto inferior direito. Desta maneira, se precisarmos instalar alguma biblioteca, podemos fazê-lo diretamente no Anaconda.

Nossa configuração inicial está pronta, então podemos partir para o código!

Sobre o curso Visão Computacional: detecção de movimento com OpenCV

O curso Visão Computacional: detecção de movimento com OpenCV possui 153 minutos de vídeos, em um total de 58 atividades. Gostou? Conheça nossos outros cursos de Machine Learning em Data Science, ou leia nossos artigos de Data Science.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Trabalhando com vídeos
• BGS e frames
• Máscaras
• Kernel e filtros
• Contando carros