Détection et suivi de cibles multi-vues-Project Note 01
Python | Vision par ordinateur | Utilisation de fichiers npy et de tableaux numpy | Filtrage de Kalman
J'ai découvert que Python utilise généralement des fichiers .npy lors du stockage des coordonnées. Les opérations ultérieures sur les fichiers npy impliquent des matrices et des tableaux numpy. Le semestre dernier, j'ai
principalement effectué la détection de cibles. Récemment, j'ai utilisé le filtrage de Kalman pour réaliser le suivi des cibles. Dans le domaine spécifique mise en œuvre Quelques problèmes fondamentaux découverts au cours du processus.
1. Opération sur le fichier npy
1. Stockez les fichiers npy
import numpy as np
path = '/data/savePoint'
point = [[1 1] [2 2] [3 3]]
np.save(path, point)
2. Lire le fichier npy
Stockez plusieurs fichiers npy dans un seul dossier
import numpy as np
data = np.array(np.load('data/savePoint/frameTest.npy'))
3. Connectez plusieurs fichiers npy
Lisez tous les fichiers npy d'un dossier et concaténez-les en un seul fichier npy
path = '/data/savePoint'
temp = []
for root, dirs, files in os.walk(path): # 文件夹,文件夹中的目录,文件夹中的文件
for each in files:
real_path = (os.path.join(root, each))
real_data = np.load(real_path, allow_pickle=True) # 类型是numpy array
temp.append(real_data)
np.save('coordinate.npy', temp)
Deuxièmement, le tableau numpy
Prenons l'exemple du fichier npy que nous venons de stocker. Il stocke les coordonnées mondiales de toutes les cibles dans un certain cadre.
# 先读取连接好的npy文件
data = np.array(np.load('coordinate.npy', allow_pickle=True))
# 一共有几帧/总共连接的npy的数量
data.shape[0]
for i in range(data.shape[0]):
centers = data[i] # 第i帧所有的坐标点
point1 = centers[0] # 第i帧录入的第一个坐标