在Covid-19时代，社交隔离是减慢传染性病毒传播的有效方法。建议人们尽量减少彼此之间的接触，以最大程度地减少通过直接接触传播疾病的风险。对于工厂，银行，公共汽车或火车站等许多地方来说，保持安全距离是一个挑战。
因此，在继续我们之前的Corona安全项目（例如自动消毒机和非接触式温度监控）之后，我们将使用OpenCV和Raspberry Pi构建社交距离检测器系统。我们将通过深度神经网络模块使用YOLO v3对象检测算法的权重。
Raspberry Pi始终是图像处理项目的理想选择，因为它比其他控制器具有更多的内存和速度。我们以前使用Raspberry Pi进行一些复杂的图像处理项目，例如面部标志检测和面部识别应用程序。
所需组件
- 树莓派4
在这里，我们只需要安装了OpenCV的RPi 4。OpenCV在这里用于数字图像处理。数字图像处理的最常见应用是对象检测，面部识别和人物计数器。
YOLO
YOLO（您只看一次）是用于实时对象检测的智能卷积神经网络（CNN）。YOLOv3是对象检测算法的最新变体，YOLO可以识别图像和视频中的80个不同对象，而且速度超快且具有出色的准确性。该算法将单个神经网络应用于整个图像，然后将图像分成多个区域，并计算每个区域的边界框和概率。基本的YOLO模型可以每秒45帧的速度实时处理图像。YOLO模型优于其他所有检测方法，例如SSD和R-CNN。
我们将在此项目中使用的YOLOV3模型可以从此处下载。
在Raspberry Pi中安装OpenCV
在安装OpenCV和其他依赖项之前，需要对Raspberry Pi进行完全更新。使用以下命令将Raspberry Pi更新到最新版本：
sudo apt-get更新
然后使用以下命令安装在Raspberry Pi上安装OpenCV所需的依赖项。
sudo apt-get install libhdf5-dev -y sudo apt-get install libhdf5-serial-dev -y sudo apt-get install libatlas-base-dev -y sudo apt-get install libjasper-dev -y sudo apt-get install libqtgui4 –y sudo apt-get安装libqt4-test –y
最后，使用以下命令在Raspberry Pi上安装OpenCV。
pip3安装opencv-contrib-python == 4.1.0.25
如果您不熟悉OpenCV，请查看我们以前的Raspberry pi OpenCV教程：
- 使用CMake在Raspberry Pi上安装OpenCV
- 使用Raspberry Pi和OpenCV进行实时人脸识别
- 使用Raspberry Pi和OpenCV进行车牌识别
- 使用OpenCV和Raspberry Pi进行人群估计
我们还从初学者开始创建了一系列OpenCV教程。
在Raspberry Pi中安装其他必需的软件包
在为社交距离探测器Raspberry Pi编程之前，让我们安装其他必需的软件包。
安装imutils： imutils用于通过OpenCV使基本的图像处理功能（例如平移，旋转，调整大小，框架化和显示Matplotlib图像）更容易。使用以下命令安装imutils：
pip3安装imutils
程序说明
完整的代码在页面末尾给出。在这里，我们正在解释代码的重要部分，以进行更好的解释。
因此，在代码开始时，导入将在此项目中使用的所有必需库。
导入numpy as np导入cv2导入imutils导入os导入时间
的 检查（） 函数用于计算在视频的一帧的两个对象或两个点之间的距离。点a和b表示框架中的两个对象。这两个点用于计算对象之间的欧几里得距离。
def Check（a，b）：dist =（（a-b）** 2 + 550 /（（a + b）/ 2）*（a-b）** 2）** 0.5校准=（a + b ）/ 2如果0 <dist <0.25 *校准：返回True否则：返回False
设置功能用于设置YOLO重量，cfg文件，COCO名称文件的路径。 os.path 模块用于常见的路径名操作。 os.path.join（） 模块是 os.path 的子模块，用于智能地连接一个或多个路径组件。 cv2.dnn.readNetFromDarknet（） 方法用于将保存的权重加载到网络中。加载权重后，使用 net.getLayerNames 模型提取网络中使用的所有图层的列表。
def设置（yolo）：全局Neuro_net，ln，LABELS权重= os.path.sep.join（）config = os.path.sep.join（）labelsPath = os.path.sep.join（）LABELS = open（labelsPath ）.read（）。strip（）。split（“ \ n”）Neuro_net = cv2.dnn.readNetFromDarknet（config，weights）ln = neuro_net.getLayerNames（）ln =-1] for in in Neuro_net.getUnconnectedOutLayers（）]
在图像处理功能内部，我们拍摄一帧视频，然后对其进行处理以检测每个人群之间的社会距离。在函数的前两行中，我们最初将视频帧的尺寸（W，H）设置为（None，None）。在下一行中，我们使用 cv2.dnn.blobFromImage（） 方法批量加载帧并通过网络运行它们。Blob函数对一帧执行均值减， 缩放和通道交换。
（H，W）=（无，无）如果W为None或H为None，frame = image.copy（）：（H，W）= frame.shape blob = cv2.dnn.blobFromImage（frame，1 / 255.0， （416，416），swapRB = True，作物= False）Neuro_net.setInput（blob）开始时间= time.time（）层输出= Neuro_net.forward（ln）
YOLO的图层输出由一组值组成。这些值有助于我们定义哪个 对象 属于哪个 类 。我们遍历 layerOutputs中的 每个输出，并在检测人员时，将类标签设置为“人员”。从每个检测中，我们得到一个边界框，该边界框为我们提供了X中心，Y中心，宽度和高度，以便在输出中进行检测：
分数=检测maxi_class = np.argmax（分数）置信度=如果LABELS ==“ person”则得分：如果置信度> 0.5：box =检测* np.array（）（centerX，centerY，宽度，高度）= box.astype（ “ int”）x = int（centerX-（width / 2））y = int（centerY-（height / 2））outline.append（）confidence.append（float（confidence））
之后，计算当前框的中心与所有其他检测到的框之间的距离。如果边界框关闭，则将状态更改为true。
对于i在范围内（len（中心））：对于j在范围内（len（中心））：close =检查（中心，中心）是否关闭：pairs.append（，center]）status =真实状态=真实索引= 0
在接下来的几行中，使用从模型中收到的盒子尺寸在人周围绘制一个矩形，然后检查盒子是否安全。如果框之间的距离很近，则框颜色将变为红色，否则框将变为绿色。
（x，y）=（轮廓，轮廓）（w，h）=（轮廓，轮廓）如果状态==真：cv2.rectangle（frame，（x，y），（x + w，y + h）， （0，0，150），2）elif status == False：cv2.rectangle（frame，（x，y），（x + w，y + h），（0，255，0），2）
现在，在 循环 功能内部，我们正在读取视频的每一帧，然后处理每一帧以计算人与人之间的距离。
ret，frame = cap.read（）（如果没有返回）：break current_img = frame.copy（）current_img = imutils.resize（current_img，width = 480）video = current_img.shape frameno + = 1 if（frameno％2 == 0或frameno == 1）：Setup（yolo）ImageProcess（current_img）Frame =已处理Img
在接下来的 几 行中，使用 cv2.VideoWriter（） 函数将输出视频存储在我们先前定义的opname指定的位置。
如果create为None：fourcc = cv2.VideoWriter_fourcc（*'XVID'）create = cv2.VideoWriter（opname，fourcc，30，（Frame.shape，Frame.shape），True）create.write（Frame）
测试社交距离探测器项目
代码准备就绪后，打开Pi终端并导航到项目目录。代码，Yolo模型和演示视频应位于如下所示的同一文件夹中。
您可以从此处下载YoloV3目录，从Pexels下载视频，然后复制下面给出的Python代码，然后将它们放在与上图相同的目录中。
进入项目目录后，执行以下命令以启动代码：
python3detector.py
我在从Pexels获得的视频示例中尝试了此代码。对我而言，FPS非常慢，大约需要10到11分钟才能处理整个视频。
代替使用视频，则可以甚至通过更换测试此代码与树莓裨相机 cv2.VideoCapture（输入） 与 cv2.VideoCapture（0） 在98个代码的行。通过以下链接了解有关将PiCamera与Raspberry Pi结合使用的更多信息。
这是将OpenCV与Raspberry Pi一起使用的方法，可以检测到社交距离冲突。输出的视频和代码如下：