vim+python+OpenCV学习八 : 调用摄像头

本文介绍了一个简单的Python脚本,该脚本利用OpenCV库从摄像头捕获实时视频流,并将其保存为本地文件。代码展示了如何读取视频帧、转换为灰度图像并同时将原始和处理后的视频保存到文件。
#_*_coding=utf-8_*_
import cv2
import numpy as np


cap = cv2.VideoCapture(0)
fourcc = cv2.cv.CV_FOURCC(*'XVID')
#opencv3的话用:fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi',fourcc,20.0,(640,480))#保存视频
while True:
    ret,frame = cap.read()
    gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    out.write(frame)#写入视频
    cv2.imshow('frame',frame)#一个窗口用以显示原视频
    cv2.imshow('gray',gray)#另一窗口显示处理视频


    if cv2.waitKey(1) &0xFF == ord('q'):
        break

cap.release()
out.release()
cv2.destroyAllWindows()

机器学习实践:动物图片识别_01 实验环境 • 主机类型: CPU:2 内存:6 GPU:0 • 镜像环境:machinelearning_middle_py2.7_spark • 虚机数量: 1个 [镜像详情] machinelearning_middle_py2.7_spark介绍:当前实验环境用于机器学习-中级的python2.7的实验和spark的实验 节点信息: 1. 操作系统:CentOS7.5 2. 软件包位置:/home/zkpk/tgz 3. 数据包位置:/home/zkpk/experiment 4. 已安装软件:Python2.7、Spark 5. 备注:当前实验环境用于机器学习-中级的python2.7的实验和spark的实验 实验手册 机器学习实践:动物图片识别 1、实验描述 Ø SVM(支持向量机)是一种常用的机器学习分类算法。使用HOG+SVM算法和OpenCV实现一个图片分类器,通过训练分类器,达到可以判断任意图片是否是动物的效果;本节实验是利用hog来计算图像数据的特征描述,从而获得基于图片的特征向量,再利用SVM分类超平面来实现数据分类,并能够利用训练好的模型进行图像预测。 Ø 实验时长:90分钟 Ø 主要步骤: 数据准备 编写图片识别代码 编写模型训练代码 编写模型预测代码 运行程序,查看结果 2、实验环境 虚拟机数量:1 系统版本:CentOS 7.5 Python版本:Python 2.7 OpenCV-Python2.4.5 3、相关技能 Python原理;使用vim;HOG+SVM分类器;OpenCV;训练分类器; 4、相关知识点 HOG方向梯度直方图; SVM支持向量机; OpenCV处理图片(OpenCV,Open Source Computer Vision Library即开源计算机视觉库,是一个广泛应用于计算机视觉领域的强大开源库); 灰度化; Gamma校正法; Cell;Cell descriptor; HOG特征 descriptor; 训练分类器,以得到适合自己项目的分类器; Python文件操作; 5、效果图 最后执行编写的代码,得到最终的分类结果,如下图 帮我写一个大数
04-10
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值