【OpenCV+pyqt5】视频抽帧裁剪与图片转视频

【图像识别】摄像头捕捉运动到静止视频帧(免费源码分享) 本文实现了一个OpenCV和PyQT5 结合的摄像头视频捕捉和运动检测线程,实现了一款界面软件用于功能演示。主要使用帧差法实现,摄像头捕捉运动到静止的图片,捕捉到的图片可用于其他,例如:用于目标检测、识别等,主要流程如下: 1. 初始化摄像头。 2. 实时读取帧并进行区域检测。 3. 通过帧差法判断运动。 4. 使用信号机制将结果图像发送到主界面。 阅读详情

【OpenCV+pyqt5】视频抽帧裁剪与图片转视频

  • 本文利用OpenCV对视频进行读取,并进行抽帧,可指定时间段和抽帧间隔
  • 对视频进行裁剪,裁剪设定时间段内的视频
  • 对指定文件夹下的图像进行视频转换

pyqt5搭建界面

界面功能简介

  • 界面比较简单,左侧显示视频,右侧提供操作按钮
  • 视频下方有进度条(暂时不能调整进度),和后面的时间
  • 右侧操作区有三个功能切换,右下方显示操作进度条

功能测试

  • 视频抽帧有全部抽帧和时间段抽帧
  • 视频裁剪根据时间段进行裁剪
  • 图片转换成视频,遍历文件夹下的所有图片,根据帧率合成指定视频名称
  • 以上三种功能测试均通过

OpenCV功能详解

读取视频并显示视频信息

  • 利用cap = cv2.VideoCapture(video_name)进行指定视频文件的读取
def _open_video_(self):
    self.video_name = os.path.split(self.video_path_name)[-1]
    if self.video_name.split('.')[-1]not in ['mp4','avi','h264']:
        loggingdata('video name error, {}'.format(self.video_path_name))
        return -1
    self.frame_now = 0
    self.cap       = cv2.VideoCapture(self.video_path_name)
    self.frame_num = int(self.cap.get(7))
    self.FPS       = int(self.cap.get(5))
    self.frame_w   = int(self.cap.get(3))
    self.frame_h   = int(self.cap.get(4))
  • 通过以下命令获取视频信息
cap.get(0)	CV_CAP_PROP_POS_MSEC      视频文件的当前位置(播放)以毫秒为单位
cap.get(1)	CV_CAP_PROP_POS_FRAMES    基于以0开始的被捕获或解码的帧索引
cap.get(2)	CV_CAP_PROP_POS_AVI_RATIO 视频文件的相对位置(播放):0 = 电影开始,1 = 影片的结尾。
cap.get(3)	CV_CAP_PROP_FRAME_WIDTH   在视频流的帧的宽度
cap.get(4)	CV_CAP_PROP_FRAME_HEIGHT  在视频流的帧的高度
cap.get(5)	CV_CAP_PROP_FPS           帧速率
cap.get(6)	CV_CAP_PROP_FOURCC        编解码的4字-字符代码
cap.get(7)	CV_CAP_PROP_FRAME_COUNT   视频文件中的帧数

时间转换函数

  • 通过界面输入时间00:00:15转换成秒,【注】这里默认输入多组时间段
def _time2second(self,start_end_time):
     将输入的时间转换成秒 ['00:10:40','00:10:47'] - > [600,900]
  second_time = []
  for span_time in start_end_time:
      start_time = span_time[0].split(':')
      print(start_time)
      start_time = int(start_time[0])*3600 + int(start_time[1])*60 + int(start_time[2])
      end_time = span_time[1].split(':')
      end_time = int(end_time[0])*3600 + int(end_time[1])*60 + int(end_time[2])
      # print(end_time)
      if end_time < start_time:
          return -1
      second_time.append([start_time,end_time])
  return second_time

根据获得的视频进行抽帧

  • 抽帧的逻辑是:循环读取视频,当前帧如果在指定范围内,则进行保存,超过范围则退出;显然这种方式再截取较长视频的尾部会很慢。
  • 另外一种逻辑就是利用cap.set(cv2.CAP_PROP_POS_FRAMES,start_frame)指定读取位置,这种方式较快
  • 但实验发现.h264利用第二种不能实现定位,每次还是从视频起点开始读,所以本例采用前者进行抽帧;
def video2frame(self,method = 0,frame_span = 1,ex_frame_time = [0,10]):
    # 1. 视频抽帧
    # method = 0 整体抽帧 method = 1 时间段抽帧
    loggingdata('---------------start video2frame---------------------')
    self._open_video_()
    ex_frame_time = [x*self.FPS for x in ex_frame_time] if method == 1 else [0,self.frame_num]
    while True:
        if method == 1 and self.frame_now >= ex_frame_time[1]:
            loggingdata('video2frame save picture number is {},save frame form {} to {}'.format(
                ex_frame_time[1],ex_frame_time[0],self.frame_now))
            break
        success, origin_img = self.cap.read()
        if not success or len(origin_img) < 2:
            break
        self.frame_now +=1
        if self.frame_now%frame_span != 0:
            continue
        if self.frame_now < ex_frame_time[1] and self.frame_now >= ex_frame_time[0]:
            cv2.imwrite(os.path.join(self.img_save_path,self.video_name.split('.')[0])+"_%.6d.jpg"%self.frame_now,origin_img)
    loggingdata('==============save image stop==================')

视频裁剪

  • 裁剪逻辑:继承抽帧逻辑,将符合裁剪区域内的图像写入cut_video中,帧率默认原视频,名称在原名称上增加裁剪起始帧
def cut_video(self,save_fps = 20,cut_frame_time = [0,10]):
    self._open_video_()
    save_fps = self.FPS
    cut_frame_time = [x*self.FPS for x in cut_frame_time]
    cut_video = cv2.VideoWriter(os.path.join(self.cut_video_save_path,self.video_name.split('.')[0])+\
        '_'+str(cut_frame_time[0]) + '.mp4', cv2.VideoWriter_fourcc('M','P','E','G'), save_fps, (self.frame_w,self.frame_h))
    while self.frame_now < cut_frame_time[1]:
        success, origin_img = self.cap.read()
        if not success or len(origin_img) < 2 or self.frame_now >= cut_frame_time[1]:
            break
        self.frame_now +=1
        # print(self.frame_now)
        if self.frame_now > cut_frame_time[0] and self.frame_now < cut_frame_time[1]:
            cut_video.write(origin_img)
    print('cut end')
    cut_video.release()

图片转视频

  • 和视频裁剪类似,只是将前半段的视频读取替换成图片
def img2video(self,save_fps = 20):
  img_h = 0
  img_w = 0
  for img_name in os.listdir(self.img_files):
      if img_name.split('.')[-1] not in ['bmp','jpg','jpeg','png']:
          continue
      tmp_img = cv2.imread(os.path.join(self.img_files,img_name))
      img_h = tmp_img.shape[0]
      img_w = tmp_img.shape[1]
      break
  img2video = cv2.VideoWriter(self.video_save_path, cv2.VideoWriter_fourcc('M','P','E','G'), save_fps, (img_w,img_h))
  for img_name in os.listdir(self.img_files):
      if img_name.split('.')[-1] not in ['bmp','jpg','jpeg','png']:
          continue
      tmp_img = cv2.imread(os.path.join(self.img_files,img_name))
      img2video.write(tmp_img)
  img2video.release()

20210413更新

  • 1.播放条可以拖动,调整播放位置,增加视频信息展示
  • 2.抽帧逻辑优化,大视频可以快速抽帧
  • 3.增加抽帧数量的选项和保存图片类型
  • 4.优化界面,增加图标
    在这里插入图片描述

可执行文件下载
https://download.csdn.net/download/wangxiaobei2017/16651184


20210519更新

  1. 增加视频合并功能,选择视频文件夹,对所有视频进行统一读取并整合成一个视频;
  2. 视频裁剪增加倍速功能

视频合并

  • 考虑到对较长视频进行裁剪后需要重新合并成一段视频,于是增加该功能,主要逻辑就是依次读取文件夹内的视频,保存到新视频内,可定义新视频的帧率,新视频的分辨率与文件夹内最后视频保持一致;详细代码如下:
    def video_link(self,save_fps = 20,video_w=1280,video_h=1024):
        if len(self.video_file_name) < 1:
            loggingdata("video_link ERROR : no video file!!!")
            return -1
        # 多段视频拼接在一起
        self.frame_now = 0
        tmp_video_link =  cv2.VideoWriter(self.video_save_path, cv2.VideoWriter_fourcc('M','P','E','G'), save_fps, (video_w,video_h))
        for video_name in os.listdir(self.video_file_name):
            if video_name.split('.')[-1]not in ['mp4','avi','h264']:
                loggingdata("can not open this video {}".format(video_name))
                continue
            cap = cv2.VideoCapture(os.path.join(self.video_file_name,video_name))
            # print(os.path.join(self.video_file_name,video_name))
            while self.stop_flag:
                success, origin_img = cap.read()
                if not success or len(origin_img) < 2:
                    break
                # print(self.frame_now)
                self.frame_now += 1
                tmp_video_link.write(cv2.resize(origin_img,(video_w,video_h)))
        tmp_video_link.release()

裁剪视频增加倍速

  • 裁剪视频过程中会遇到需要快放和慢放,快放的逻辑就是剔除多余帧,慢放就是增加重复帧,具体代码如下:
       while self.stop_flag and self.frame_now < cut_frame_time[1]:
           success, origin_img = self.cap.read()
           if not success or len(origin_img) < 2 or self.frame_now > cut_frame_time[1]:
               break
           self.frame_now +=1
           if self.frame_now > cut_frame_time[0] and self.frame_now < cut_frame_time[1]:
               if video_speed >= 1:
                   if self.frame_now%int(video_speed) == 0:
                       cut_video.write(origin_img)
               else:
                   for i in range(int(1/video_speed)):
                       cut_video.write(origin_img)

在这里插入图片描述
在这里插入图片描述

可执行文件下载 版本:20210519
https://download.csdn.net/download/wangxiaobei2017/18862562

YOLOv8与PyQt5实战:构建桌面人脸检测识别系统全指南 目标检测与桌面GUI开发是计算机视觉落地中最常见的组合之一,其核心价值在于将深度模型的推理能力与直观的交互界面无缝衔接。以YOLOv8为代表的单阶段检测器凭借端到端的预测机制,在复杂场景下的人脸定位任务中表现出色;而PyQt5作为成熟的桌面界面框架,通过信号与槽机制能够高效承载视频流显示与用户交互。结合OpenCV的摄像头采集与格式转换,开发者可以构建出实时、可操作的人脸检测识别桌面应用。这类系统广泛应用于安防门禁、考勤打卡、智能零售等场景,且可进一步扩展至人脸识别、活体检测乃至边缘设备部署。本文从系统架构 阅读详情

相关推荐

YOLOv8+PyQt5实战:构建桌面端人脸检测识别系统

目标检测与人脸识别是计算机视觉领域的高频应用方向,YOLOv8作为新一代实时检测算法,凭借高精度与易用性成为工程实践的热门选择;而桌面应用开发中,PyQt5提供了成熟的GUI组件与事件循环机制。本文将两者结合,从人脸检测的基本原理出发,解析YOLOv8模型推理与PyQt5界面交互的整合思路,涵盖图片、摄像头、视频等场景下的功能实现,并探讨批量处理、API扩展及性能调优等工程问题。通过本文,读者能够理解目标检测从算法到桌面工具的完整链路,并掌握搭建一套可操作的人脸识别系统的方法,适用于课设毕设、安防原型及内部

weixin_33985507的博客 354

opencv 摄像头用法 python c++

c++打开摄像头: #include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp> #include<iostream> using namespace std; using namespace...

jacke121的专栏 2405

基于PyQt5与OpenCV的特斯拉行车记录仪多视角播放器开发实践

从构建桌面视频播放器出发,介绍视频解码、多线程帧处理、GUI交互等核心概念。通过OpenCV VideoCapture与PyQt5 QImage的转换链路,实现H.264/H.265视频流的流畅显示。针对行车记录仪多路视频同步需求,提出统一时钟与逐帧校正机制,并利用FFmpeg进行片段无损拼接。此类技术可广泛应用于监控回放、事件取证等场景。本文记录如何用Python为特斯拉TeslaCam开发专属播放器,解决原厂工具无法多视角对比、截图不便等痛点。

weixin_31815843的博客 116

python快速检测视频跳过帧,在Python / OpenCV中有一种快速滚动视频帧的方法,允许用户选择要处理的开始和结束帧吗?...

In preparing to process a video I want the user to be able to select the first and last frame to be processed in the video. The trackbar seems like a useful tool to do this but can I use it to read a...

weixin_29263201的博客 458

基于YOLOv8与PyQt5的麦穗稻穗检测识别系统实战解析

目标检测是计算机视觉领域的核心技术之一,其应用已从通用场景延伸至智慧农业等垂直行业。深度学习模型如YOLOv8凭借出色的精度与速度平衡,成为工业落地的主流选择。在工程实践中,如何将训练好的模型封装为易用的桌面工具,是许多开发者面临的痛点。PyQt5作为成熟的Python GUI框架,能够与OpenCV无缝配合,实现交互式图像检测界面。通过结合YOLOv8的检测能力与PyQt5的界面设计,开发者可以快速构建农业场景下的实物计数系统,如小麦、水稻穗头识别。这类系统有效替代人工统计,提升田间表型分析效率,同时支持

weixin_34326179的博客 338

用Python实现视频剪辑:精简版

上述代码中,我们创建了一个继承自QWidget的类App,并在initUI()方法中实现了用户界面。接着,我们使用moviepy库来裁剪视频的特定部分并将结果写入新的视频文件中。本文将介绍如何使用Python和PyQt以及moviepy库实现视频剪辑,保留视频中的精华部分。在这个步骤中,我们将使用PyQt5设计一个简单的用户界面,用于选择和打开所需的视频文件。下面是实现视频剪辑的完整代码。代码中包括与用户交互的PyQt5 GUI界面,以及使用moviepy库来读取视频文件以及剪辑视频的逻辑。

带你成为别人眼中的大佬! 723

【简便的PyQt5】制作一个极具特色的视频播放器

如果觉得有帮助,麻烦点个赞+收藏喔!

向往有那么一天梦幻的步态识别落地,开花❀! 1828

Python多媒体处理:视频抽帧、裁剪及图片转视频实战

视频抽帧,即从视频文件中按一定频率抽取图像帧的技术,是视频内容分析的基础。一个视频文件由连续的图像帧组成,每一帧都是视频的一瞬间的画面。对视频进行抽帧处理,可以得到一系列的图片文件,这对于视频内容的提取、分类、检索等具有重要意义。在本章中,我们介绍了视频裁剪的理论基础和实践操作。通过使用FFmpeg和HandBrake等工具,我们学习了如何进行基本的时间轴裁剪和区域裁剪。同时,我们也提供了优化处理速度的建议,以适应不同情况下的视频裁剪需求。在下一章中,我们将探讨如何将一系列静态图片转换成视频文件。

weixin_36328210的博客 1200

Python OpenCV 图片裁剪工具

本文介绍了如何使用 Python 和 OpenCV 实现一个简单的图片裁剪工具。通过本程序,用户可以方便地选择需要裁剪的区域,并将裁剪后的图片保存到指定的文件夹中。这个程序可以在图像处理、数据分析等领域中发挥重要作用。

weixin_64801028的博客 503

用Python+PyQt5打造图片视频对比工具:从设计到打包全解析

图像对比与视频抽帧是多媒体处理中的常用需求,尤其在素材验收、转码校验和回归测试场景中,人工逐帧查看效率低下且易出错。通过感知哈希与像素级差异分析,可以量化两张图片的相似度与差异区域;利用OpenCV的视频解码能力,则能按帧号精准抽取画面。结合PyQt5的界面框架与多线程信号槽机制,可将这些零散能力整合为可交互的桌面工具,支持拖拽文件、缩放查看、批量对比及热力图可视化。PyInstaller打包则让工具跨环境运行成为可能。本文围绕一个基于Python+PyQt5、OpenCV和imagehash的图片视频对比

ciya3282的博客 437

图像处理综合示例:OpenCV与PyQT5的集成应用

PyQT5中的布局管理器(QLayout)用于管理控件的位置和大小,PyQT5提供了多种布局管理器,包括和等,开发者可以根据需求选择合适的布局来组织控件。以下是一个简单的使用进行控件布局的示例:# 创建水平布局管理器# 创建两个按钮# 将按钮添加到水平布局# 创建垂直布局管理器# 将水平布局添加到垂直布局中# 设置窗口的布局# 设置窗口标题和初始大小self.setWindowTitle('布局管理器的使用')ex.show()main()

weixin_35749786的博客 754

基于yolo12对目标物体进行自动裁剪和模糊打码

该视频处理工具基于YOLO12模型实现目标物体的自动裁剪和模糊打码功能。文章详细解析了其核心代码逻辑,包括VideoProcessor类负责视频处理(加载、检测、裁剪、模糊)和VideoPlayer类实现用户界面交互。工具采用Ultralytics框架调用YOLO12n预训练模型,支持实时处理视频流并保存结果,具有高效的目标检测能力和灵活的功能切换。系统通过模块化设计分离处理逻辑与界面控制,提供直观的操作体验,适用于隐私保护等场景。

ningfoshao8678的博客 1031

Python车牌识别系统:OpenCV定位+深度学习识别+PyQt5界面

图像处理是计算机视觉领域的基础技术,广泛应用于智能交通、安防监控等场景。车牌识别(LPR)作为典型落地任务,通常涉及图像预处理、边缘检测、轮廓筛选与字符识别等环节。传统方法依赖OpenCV完成定位,深度学习模型负责字符分类,而PyQt5等GUI框架可将流程封装为桌面应用,提升工程实用性。这种混合技术路线兼顾识别准确率与可解释性,适合教学演示和毕业设计。本文围绕一套基于Python的车牌识别系统,介绍从环境配置、车牌定位到字符识别的完整实现,并给出模块化设计与界面整合思路,为开发者提供可复用的工程参考。

weixin_34015336的博客 369

基于YOLOv8与PyQt5的路面标志线检测识别系统

目标检测是计算机视觉领域的核心任务之一,其目标是在图像或视频中定位并识别特定物体。深度学习的发展使得目标检测在精度和速度上取得了长足进步,YOLO系列作为典型的单阶段检测算法,凭借高效的特征提取与实时推理能力,广泛应用于工业质检、自动驾驶、智能交通等场景。路面标志线的自动检测与识别是道路养护和智能交通的重要环节,传统人工巡检效率低下且易受主观因素影响。基于YOLOv8构建的检测系统,结合PyQt5图形界面,实现了从数据标注、模型训练到结果导出的完整流程,能够有效识别直行箭头、停止线、斑马线等多种标线,并支持

weixin_34387468的博客 405

基于Python的人脸识别签到系统:从OpenCV到PyQt5的完整实现指南

人脸识别作为计算机视觉的核心技术之一,其原理是通过深度学习模型提取人脸图像的特征向量,并将其映射为高维空间中的唯一标识。这项技术的价值在于能够实现非接触式、快速的身份验证,广泛应用于安防、金融、智能终端等领域。在工程实践中,结合Python生态的OpenCV、Dlib等库,可以高效构建人脸检测、对齐和特征比对流水线。针对考勤、门禁等具体应用场景,一个稳定的人脸识别系统需要集成实时视频处理、数据库管理和图形界面。本文以**人脸识别签到系统**为例,详细解析了使用**OpenCV DNN模块**进行人脸检测与特

weixin_34268169的博客 444

基于Python PyQt5的一款轻量、强大、好用的视频处理软件,已实现压缩视频、转码视频、倒放视频、合并片段、根据字幕裁切片段

是一款轻量、强大、好用的视频处理软件。它是一个轻量的工具,而不是像 Davinci Resolve、Adobe Premiere 那样专业的、复杂的庞然大物。Quick Cut 可以满足普通人一般的视频处理需求:压缩视频、转码视频、倒放视频、合并片段、根据字幕裁切片段、自动配字幕、自动剪辑……

基于YOLOv8与PyQt5的水下垃圾生物检测系统开发实战

目标检测是计算机视觉的核心任务,旨在从图像或视频中定位并分类物体。YOLOv8作为新一代单阶段检测算法,凭借速度快、精度高、易于部署等特点,成为工业界和学术界的常用选择。结合PyQt5图形界面框架,可将模型推理封装为可视化桌面工具,实现图片、视频和摄像头的实时检测。该方案在水下环保、水产养殖、水下巡检等场景具有重要应用价值。本文从数据集准备、模型训练、界面集成到结果导出,系统讲解了构建水下垃圾与生物检测识别系统的完整流程,并分享了性能优化与常见问题排查经验,为开发者提供可复现的工程实践参考。

weixin_33985507的博客 508

PCB设计中的规则优先级陷阱:为什么你的过孔总是十字连接?

本文深入解析PCB设计中Altium Designer规则优先级机制,解决过孔总是十字连接而非全连接的问题。通过分析铺铜连接原理和规则匹配逻辑,提供精确控制连接方式的技术实践,包括Custom Query使用和优先级最佳设置,帮助设计师避免常见陷阱,优化高速电路板的电气性能和制造可靠性。

banana的博客 471

YOLOv8+PyQt+OpenCV实现数字式仪表读数和指针式仪表读数识别(一)

使用YOLOv8+PyQt+OpenCV+Python完成数字式仪表读数识别和两类指针式仪表读数识别

x0516weilan的博客 1万+

解锁 STP 与 SOLIDWORKS 转换密码:工具及迪威在线转换秘籍

STP 文件能够完整地记录 3D 模型的几何形状、尺寸、公差、材料属性等丰富信息,无论是简单的机械零件,还是复杂的装配体,都能精准呈现。而在线转换以迪威模型为例,凭借便捷性、高效性和安全性,为广大 3D 专业技术人员和学生党在无需安装额外软件的情况下,轻松实现格式转换提供了有力支持。在实际工作和学习中,可根据自身具体情况灵活选择合适的转换方式,以确保 3D 设计工作流程的顺畅进行,让创意在不同格式间自由流动并绽放光彩。在 3D 设计与建模的广袤世界里,不同格式文件间的转换常常是连接创意与实现的关键桥梁。

技术说明博主 3459

《揭秘 BME688人工智能压力湿度温度气体传感器:气体检测的多面能手》:此文为AI自动生成

BME688 是博世推出的一款具有人工智能和集成高线性度高精度压力、湿度、温度传感器的气体传感器,专为移动和联网应用开发,尺寸紧凑且低功耗。BME688 作为一款先进的传感器,在多个领域展现出卓越的性能。它采用了坚固而紧凑的 3.0 x 3.0 x 0.9 mm³ 封装,这种小巧的尺寸使其能够轻松应用于对空间要求严格的移动设备和联网应用中。同时,低功耗的特性也使得它在能源有限的环境下能够长时间稳定运行。

zheng_ruiguo的专栏 1945
上一篇: 【pyqt5】Pyinstaller封装OpenCV异常
下一篇: BBB板卡系统制作镜像
wangxiaobei2017
博客等级 码龄10年 1092粉丝 74原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

wangxiaobei2017

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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
⌂ 换网址