Python 用于检测视频中矩形形状（文本光标）的对象检测模型？

我目前正在做一些研究，以检测和定位屏幕录制视频中的文本光标（你知道，当你在计算机上键入时，指示字符位置的闪烁矩形）。为此，我使用自定义对象数据集（我从中获取了一个参考）训练了YOLOv4模型，并计划实现DeepSORT来跟踪移动的光标

下面是我用来训练YOLOv4的训练数据示例：

以下是我想要实现的目标：

您认为使用YOLOv4+DeepSORT是否被认为是完成此任务的过度手段？我这样问是因为到目前为止，只有70%-80%的包含文本光标的视频帧能够被模型成功检测到。如果这毕竟是过火了，那么您知道可以为这项任务实现的其他方法吗

无论如何，我计划不仅从VisualStudio代码窗口检测文本光标，还从浏览器（如Google Chrome）和文本处理器（如Microsoft Word）检测文本光标。大概是这样的：

我正在考虑将滑动窗口方法作为一种替代方法，但从我所读到的内容来看，该方法可能会消耗大量资源，并且执行速度较慢。我也在考虑从OpenCV（）进行模板匹配，但我认为它的性能不会比YOLOv4更好更快

约束是关于性能速度（即，给定时间可以处理多少帧）和检测精度（即，我希望避免将字母“l”或“1”检测为文本光标，因为这些字符在某些字体中类似）。但我认为，更高的精度和较慢的FPS是可以接受的

我目前正在使用Python、Tensorflow和OpenCV来实现这一点。

---

多谢各位

如果光标是屏幕上唯一移动的对象，这将起作用。以下是之前和之后的内容：

之前：

之后：

守则：

import cv2
import numpy as np

BOX_WIDTH = 10
BOX_HEIGHT = 20

def process_img(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    kernel = np.ones((5, 5))
    img_canny = cv2.Canny(img_gray, 50, 50)
    return img_canny

def get_contour(img):
    contours, hierarchies = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
    if contours:
        return max(contours, key=cv2.contourArea)

def get_line_tip(cnt1, cnt2):
    x1, y1, w1, h1 = cv2.boundingRect(cnt1)

    if h1 > BOX_HEIGHT / 2:
        if np.any(cnt2):
            x2, y2, w2, h2 = cv2.boundingRect(cnt2)
            if x1 < x2:
                return x1, y1
        return x1 + w1, y1

def get_rect(x, y):
    half_width = BOX_WIDTH // 2
    lift_height = BOX_HEIGHT // 6
    return (x - half_width, y - lift_height), (x + half_width, y + BOX_HEIGHT - lift_height)

cap = cv2.VideoCapture("screen_record.mkv")
success, img_past = cap.read()

cnt_past = np.array([])
line_tip_past = 0, 0

while True:
    success, img_live = cap.read()

    if not success:
        break

    img_live_processed = process_img(img_live)
    img_past_processed = process_img(img_past)

    img_diff = cv2.bitwise_xor(img_live_processed, img_past_processed)
    cnt = get_contour(img_diff)

    line_tip = get_line_tip(cnt, cnt_past)

    if line_tip:
        cnt_past = cnt
        line_tip_past = line_tip
    else:
        line_tip = line_tip_past

    rect = get_rect(*line_tip)
    img_past = img_live.copy()
    cv2.rectangle(img_live, *rect, (0, 0, 255), 2)

    cv2.imshow("Cursor", img_live)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break
    
cv2.destroyAllWindows()

根据光标的大小定义跟踪框的大小：

定义一个函数以将帧处理为边：

定义一个函数，用于检索图像中面积最大的轮廓（光标不需要太大，如果需要可以很小）：

定义一个函数，该函数将接受2个轮廓，一个是光标轮廓+当前帧的一些文本，另一个是轮廓+光标轮廓的一些零散文本+前一帧的一些文本。通过这两个轮廓，我们可以确定光标是向左移动还是向右移动：

为视频定义一个捕获设备，从视频开始处删除一帧，并将其存储在变量中，该变量将用作每帧之前的帧。还定义过去轮廓和过去直线尖端的临时值：

使用

while

循环，并从视频中读取。处理视频中的帧和该帧之前的帧：

对于处理过的帧，我们可以使用

cv2.bitwise\u xor

方法找到帧之间的差异，以获得屏幕上的运动位置。然后，我们可以使用定义的

get\u contour

函数找到两帧之间的运动轮廓：

对于轮廓，我们可以使用定义的

get\u line\u tip

函数来查找光标的尖端。如果找到了提示，请将其保存到

line\u tip\u pass

变量中以用于下一次迭代，如果未找到提示，我们可以将保存为当前提示的过去提示保存为：

现在，我们使用光标尖端和前面定义的

get_rect

函数定义一个矩形，并将其绘制到当前帧上。但在绘制之前，我们将帧保存为下一次迭代的当前帧之前的帧：

最后，我们显示框架：

---

DNN在这方面做得太过分了。“滑动窗口”是一整套方法，彼此之间最不相关。用于检测的DNN可被视为“滑动窗口”。如果您指的是haar级联，那么您可以使用它们进行检测（但不仅仅限于此）。模板匹配也是“滑动窗口”。所有这些都将比DNN更快。您应该查询操作系统API的“可访问性”以获取文本光标的位置。这是可能的。windows自己的放大镜（win++）使用它们。

import cv2
import numpy as np

BOX_WIDTH = 10
BOX_HEIGHT = 20

def process_img(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    kernel = np.ones((5, 5))
    img_canny = cv2.Canny(img_gray, 50, 50)
    return img_canny

def get_contour(img):
    contours, hierarchies = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
    if contours:
        return max(contours, key=cv2.contourArea)

def get_line_tip(cnt1, cnt2):
    x1, y1, w1, h1 = cv2.boundingRect(cnt1)

    if h1 > BOX_HEIGHT / 2:
        if np.any(cnt2):
            x2, y2, w2, h2 = cv2.boundingRect(cnt2)
            if x1 < x2:
                return x1, y1
        return x1 + w1, y1

def get_rect(x, y):
    half_width = BOX_WIDTH // 2
    lift_height = BOX_HEIGHT // 6
    return (x - half_width, y - lift_height), (x + half_width, y + BOX_HEIGHT - lift_height)

cap = cv2.VideoCapture("screen_record.mkv")
success, img_past = cap.read()

cnt_past = np.array([])
line_tip_past = 0, 0

while True:
    success, img_live = cap.read()
    if not success:
        break
    img_live_processed = process_img(img_live)
    img_past_processed = process_img(img_past)

    img_diff = cv2.bitwise_xor(img_live_processed, img_past_processed)
    cnt = get_contour(img_diff)

    line_tip = get_line_tip(cnt, cnt_past)

    if line_tip:
        cnt_past = cnt
        line_tip_past = line_tip
    else:
        line_tip = line_tip_past

    rect = get_rect(*line_tip)
    img_past = img_live.copy()
    cv2.rectangle(img_live, *rect, (0, 0, 255), 2)

    cv2.imshow("Cursor", img_live)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break
    
cv2.destroyAllWindows()