OpenCV mit Python - Versionsgeschichte

Benedikt.lipinski@stud.hshl.de am 15. Januar 2025 um 11:05 Uhr

2025-01-15T11:05:32Z

← Nächstältere Version		Version vom 15. Januar 2025, 11:05 Uhr
Zeile 35:		Zeile 35:
	<code>deactivate</code> deaktiviert werden.		<code>deactivate</code> deaktiviert werden.
	== Minimalbeispiel für die Gesichtserkennung mittels Webcam==		== Minimalbeispiel für die Gesichtserkennung mittels Webcam==
	<~~code~~>import cv2		<syntaxhighlight lang="python">
			import cv2

	# Lade ~~des vortrainierten Models~~ für die Gesichtserkennung		# Lade das vortrainierte Modell für die Gesichtserkennung
	face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')		face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

	# Öffne die Webcam (Kamera 0) -> Für Video Speicherort 'C:/..' angeben. -> Netzwerkkamera z.b rtsp://<benutzer>:<passwort>@<ip-adresse>:<port>/<pfad>		# Öffne die Webcam (Kamera 0) -> Für Video Speicherort 'C:/..' angeben.
			# Netzwerkkamera z.B.: rtsp://<benutzer>:<passwort>@<ip-adresse>:<port>/<pfad>
	cap = cv2.VideoCapture(0)		cap = cv2.VideoCapture(0)

Zeile 49:		Zeile 51:
	print("Beenden mit der Taste Q")		print("Beenden mit der Taste Q")

	#~~SChleife~~ für kontinuierliche ~~erkennung~~		# Schleife für kontinuierliche Erkennung
	while True:		while True:
	ret, frame = cap.read()		ret, frame = cap.read()
Zeile 56:		Zeile 58:
	break		break

	# Farbkonvertierung z.b in ~~RGB oder~~ GRAY		# Farbkonvertierung z.B. in GRAY
	gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)		gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

	# ~~Speiuchern~~ der erkannten Gesichter		# Speichern der erkannten Gesichter
	faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))		faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

Zeile 66:		Zeile 68:
	cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)		cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)

	cv2.imshow('Gesichterkennung', frame) ~~# ANzeigen~~		# Bild mit erkannter Gesichtsanzeige
			cv2.imshow('Gesichterkennung', frame)

	# Beende mit der Taste 'q'		# Beende mit der Taste 'q'
	if cv2.waitKey(1) & 0xFF == ord('q'):		if cv2.waitKey(1) & 0xFF == ord('q'):
	break		break

	# Sicheres ~~beenden~~ und ~~freigeben~~		# Sicheres Beenden und Freigeben
	cap.release()		cap.release()
	cv2.destroyAllWindows()		cv2.destroyAllWindows()
	</~~code~~>		</syntaxhighlight>

Benedikt.lipinski@stud.hshl.de am 15. Januar 2025 um 10:56 Uhr

2025-01-15T10:56:27Z

← Nächstältere Version		Version vom 15. Januar 2025, 10:56 Uhr
Zeile 34:		Zeile 34:
	<code>pip install opencv-python</code> installiert und anschließend mit dem Befehl		<code>pip install opencv-python</code> installiert und anschließend mit dem Befehl
	<code>deactivate</code> deaktiviert werden.		<code>deactivate</code> deaktiviert werden.
			== Minimalbeispiel für die Gesichtserkennung mittels Webcam==
			<code>import cv2

			# Lade des vortrainierten Models für die Gesichtserkennung
			face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

			# Öffne die Webcam (Kamera 0) -> Für Video Speicherort 'C:/..' angeben. -> Netzwerkkamera z.b rtsp://<benutzer>:<passwort>@<ip-adresse>:<port>/<pfad>
			cap = cv2.VideoCapture(0)

			if not cap.isOpened():
			print("Fehler: Kamera konnte nicht geöffnet werden.")
			exit()

			print("Beenden mit der Taste Q")

			#SChleife für kontinuierliche erkennung
			while True:
			ret, frame = cap.read()
			if not ret:
			print("Fehler: Frame konnte nicht gelesen werden.")
			break

			# Farbkonvertierung z.b in RGB oder GRAY
			gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

			# Speiuchern der erkannten Gesichter
			faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

			# Rechteck um das Gesicht setzen
			for (x, y, w, h) in faces:
			cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)

			cv2.imshow('Gesichterkennung', frame) # ANzeigen
			# Beende mit der Taste 'q'
			if cv2.waitKey(1) & 0xFF == ord('q'):
			break

			# Sicheres beenden und freigeben
			cap.release()
			cv2.destroyAllWindows()
			</code>

Benedikt.lipinski@stud.hshl.de am 15. Januar 2025 um 10:41 Uhr

2025-01-15T10:41:35Z

← Nächstältere Version		Version vom 15. Januar 2025, 10:41 Uhr
Zeile 4:		Zeile 4:
	\|-		\|-
	\|		\|
	[[Datei:OpenCV logo black.svg.png\|zentriert\|~~rahmenlos~~\|[https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png\|~~original~~]]		[[Datei:OpenCV logo black.svg.png\|zentriert\|mini\|[https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png\|OpenCV Logo<ref>OpenCV, 2024. ''Wikipedia'' [online]. [Zugriff am: 15. Januar 2025]. Verfügbar unter: [https://de.wikipedia.org/w/index.php?title=OpenCV&oldid=251417753 https://de.wikipedia.org/w/index.php?title=OpenCV&oldid=251417753]</ref>
			]]
	\|-		\|-
	\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]		\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]
	\|}		\|}

	OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder [[Python]] genutzt werden.		OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder [[Python]] genutzt werden<ref name="opencv_tutorials">url=https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html \|title=OpenCV-Python Tutorials \|website=OpenCV Documentation \|publisher=OpenCV \|access-date=15. Januar 2025</ref>
			.

	Die Nutzung von OpenCV in Kombination mit den leistungsstarken Bibliotheken des [[Python]]-Ökosystems (beispielsweise NumPy, SciPy) ermöglicht eine effiziente Bilddatenanalyse und -manipulation. Die Bibliothek bietet in Verbindung mit den [[Python]]-Bibliotheken eine benutzerfreundliche Möglichkeit, auf alle wesentlichen Funktionen von OpenCV zuzugreifen. Dies umfasst grundlegende Operationen wie das Lesen, Schreiben oder Analysieren von Bildern und Videos.		Die Nutzung von OpenCV in Kombination mit den leistungsstarken Bibliotheken des [[Python]]-Ökosystems (beispielsweise NumPy, SciPy) ermöglicht eine effiziente Bilddatenanalyse und -manipulation. Die Bibliothek bietet in Verbindung mit den [[Python]]-Bibliotheken eine benutzerfreundliche Möglichkeit, auf alle wesentlichen Funktionen von OpenCV zuzugreifen. Dies umfasst grundlegende Operationen wie das Lesen, Schreiben oder Analysieren von Bildern und Videos<ref name="opencv_tutorials"/>.
	Darüber hinaus lässt sich der Funktionsumfang von OpenCV ohne großen Aufwand um die Deep Learning-Funktion mit zum Beispiel der Mediapipe-Bibliothek erweitern, die bereits vortrainierte Modelle für die Personenerkennung, Gesichts- oder Objekterkennung bietet. Ein wesentliches Merkmal von OpenCV ist seine Effizienz, die es erlaubt, große Mengen an Bild- und Videodaten in Echtzeit zu verarbeiten. Diese Eignung prädestiniert die Bibliothek insbesondere für den Einsatz in Fahrzeugprojekten oder der Personenerkennung, beispielsweise im Rahmen einer Zutrittskontrolle.		Darüber hinaus lässt sich der Funktionsumfang von OpenCV ohne großen Aufwand um die Deep Learning-Funktion mit zum Beispiel der Mediapipe-Bibliothek erweitern, die bereits vortrainierte Modelle für die Personenerkennung, Gesichts- oder Objekterkennung bietet<ref name="mediapipe_pypi">url=https://pypi.org/project/mediapipe/ \|title=MediaPipe \|website=PyPI \|publisher=Python Software Foundation \|access-date=15. Januar 2025</ref>
			<ref name="mediapipe_guide">url=https://ai.google.dev/edge/mediapipe/solutions/guide?hl=de \|title=MediaPipe-Lösungsleitfaden \|website=Google AI Edge \|publisher=Google \|access-date=15. Januar 2025</ref>
			. Ein wesentliches Merkmal von OpenCV ist seine Effizienz, die es erlaubt, große Mengen an Bild- und Videodaten in Echtzeit zu verarbeiten. Diese Eignung prädestiniert die Bibliothek insbesondere für den Einsatz in Fahrzeugprojekten oder der Personenerkennung, beispielsweise im Rahmen einer Zutrittskontrolle.

	In [[Python]] beginnt die Arbeit mit OpenCV typischerweise mit der Installation des Moduls "opencv-python", das die grundlegende Funktionalität der Bibliothek bereitstellt.		In [[Python]] beginnt die Arbeit mit OpenCV typischerweise mit der Installation des Moduls "opencv-python", das die grundlegende Funktionalität der Bibliothek bereitstellt.

	Die Installation von OpenCV kann beispielsweise über <code>pip</code> erfolgen:<br>		Die Installation von OpenCV kann beispielsweise über <code>pip</code> erfolgen<ref name="opencv_tutorials"/>:<br>
	Windows:		Windows:

Zeile 24:		Zeile 28:
	Leider lässt sich OpenCV nicht direkt über den <code>pip</code>-Befehl beziehen. Der einfachste und schnellste Weg ist, OpenCV in einer virtuellen Umgebung zu installieren:		Leider lässt sich OpenCV nicht direkt über den <code>pip</code>-Befehl beziehen. Der einfachste und schnellste Weg ist, OpenCV in einer virtuellen Umgebung zu installieren:

	<code>python -m venv opencv_env source opencv_env/bin/activate</code>		<code>python -m venv opencv_env</code> <br>
			<code>source opencv_env/bin/activate</code>

	Wenn die virtuelle Umgebung erfolgreich aktiviert wurde, kann OpenCV mit dem Befehl		Wenn die virtuelle Umgebung erfolgreich aktiviert wurde, kann OpenCV mit dem Befehl
	<code>pip install opencv-python</code> installiert und anschließend mit dem Befehl		<code>pip install opencv-python</code> installiert und anschließend mit dem Befehl
	<code>deactivate</code> deaktiviert werden.		<code>deactivate</code> deaktiviert werden.

Benedikt.lipinski@stud.hshl.de am 15. Januar 2025 um 10:28 Uhr

2025-01-15T10:28:15Z

← Nächstältere Version		Version vom 15. Januar 2025, 10:28 Uhr
Zeile 3:		Zeile 3:
	! OpenCV mit Python		! OpenCV mit Python
	\|-		\|-
	\| ~~<img src="~~https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png~~" alt="Beispielbild" style="width:200px;" />~~		\|
			[[Datei:OpenCV logo black.svg.png\|zentriert\|rahmenlos\|[https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png\|original]]
	\|-		\|-
	\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]		\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]

Benedikt.lipinski@stud.hshl.de am 15. Januar 2025 um 10:26 Uhr

2025-01-15T10:26:06Z

← Nächstältere Version		Version vom 15. Januar 2025, 10:26 Uhr
Zeile 3:		Zeile 3:
	! OpenCV mit Python		! OpenCV mit Python
	\|-		\|-
	\| \| <img src="https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png" alt="Beispielbild" style="width:200px;" />\|-		\| <img src="https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png" alt="Beispielbild" style="width:200px;" />
			\|-
	\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]		\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]
	\|}		\|}

Benedikt.lipinski@stud.hshl.de am 15. Januar 2025 um 10:25 Uhr

2025-01-15T10:25:05Z

← Nächstältere Version		Version vom 15. Januar 2025, 10:25 Uhr
Zeile 1:		Zeile 1:
			{\| class="wikitable" style="float:right; margin-left:10px; width:300px;"
			\|+
			! OpenCV mit Python
			\|-
			\| \| <img src="https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/OpenCV_logo_black.svg/180px-OpenCV_logo_black.svg.png" alt="Beispielbild" style="width:200px;" />\|-
			\| [https://docs.opencv.org/3.4/d6/d00/tutorial_py_root.html docs.opencv.org]
			\|}

	OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder [[Python]] genutzt werden.		OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder [[Python]] genutzt werden.

Benedikt.lipinski@stud.hshl.de: Die Seite wurde neu angelegt: „OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder Python genutzt werden. Die Nutzung von OpenCV in Kombination mit den…“

2025-01-15T10:15:38Z

Die Seite wurde neu angelegt: „OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder Python genutzt werden. Die Nutzung von OpenCV in Kombination mit den…“

Neue Seite

OpenCV (Open Source Computer Vision Library) ist eine freie und weit verbreitete Softwarebibliothek zur Bild- und Videoverarbeitung, die eine Vielzahl von Algorithmen und Werkzeugen für Anwendungen wie Objekterkennung, Gesichtserkennung, Bewegungsverfolgung, Bildsegmentierung und maschinelles Lernen bereitstellt. Die Bibliothek kann unter anderem in den Programmiersprachen C++ oder [[Python]] genutzt werden.

Die Nutzung von OpenCV in Kombination mit den leistungsstarken Bibliotheken des [[Python]]-Ökosystems (beispielsweise NumPy, SciPy) ermöglicht eine effiziente Bilddatenanalyse und -manipulation. Die Bibliothek bietet in Verbindung mit den [[Python]]-Bibliotheken eine benutzerfreundliche Möglichkeit, auf alle wesentlichen Funktionen von OpenCV zuzugreifen. Dies umfasst grundlegende Operationen wie das Lesen, Schreiben oder Analysieren von Bildern und Videos.
Darüber hinaus lässt sich der Funktionsumfang von OpenCV ohne großen Aufwand um die Deep Learning-Funktion mit zum Beispiel der Mediapipe-Bibliothek erweitern, die bereits vortrainierte Modelle für die Personenerkennung, Gesichts- oder Objekterkennung bietet. Ein wesentliches Merkmal von OpenCV ist seine Effizienz, die es erlaubt, große Mengen an Bild- und Videodaten in Echtzeit zu verarbeiten. Diese Eignung prädestiniert die Bibliothek insbesondere für den Einsatz in Fahrzeugprojekten oder der Personenerkennung, beispielsweise im Rahmen einer Zutrittskontrolle.

In [[Python]] beginnt die Arbeit mit OpenCV typischerweise mit der Installation des Moduls "opencv-python", das die grundlegende Funktionalität der Bibliothek bereitstellt.

Die Installation von OpenCV kann beispielsweise über <code>pip</code> erfolgen:<br>
Windows:

<code>pip install opencv-python</code>

[[Raspberry Pi]]:
Leider lässt sich OpenCV nicht direkt über den <code>pip</code>-Befehl beziehen. Der einfachste und schnellste Weg ist, OpenCV in einer virtuellen Umgebung zu installieren:

<code>python -m venv opencv_env source opencv_env/bin/activate</code>

Wenn die virtuelle Umgebung erfolgreich aktiviert wurde, kann OpenCV mit dem Befehl
<code>pip install opencv-python</code> installiert und anschließend mit dem Befehl
<code>deactivate</code> deaktiviert werden.