OpenCV और PyAudio

Question

के साथ ऑडियो और वीडियो को सिंकोननाइज़ करना मुझे ओपनसीवी और पायउडियो दोनों काम मिल गए हैं, हालांकि मुझे यकीन नहीं है कि मैं उन्हें एक साथ कैसे सिंक करूंगा। मैं ओपनसीवी से फ्रेमरेट प्राप्त करने में असमर्थ हूं और पल से पल में फ्रेम परिवर्तन के लिए कॉल टाइम को माप रहा हूं। हालांकि PyAudio के साथ इसका आधार एक निश्चित नमूना दर पकड़ रहा है। मैं उन्हें एक ही दर पर कैसे सिंक करूंगा। मुझे लगता है कि कुछ मानक या कुछ तरीके कोडेक्स ऐसा करते हैं। (मैंने Google को कोशिश की है जो मुझे मिला है लिप समन्वयन पर जानकारी थी: /)।

OpenCV फ्रेम दर

from __future__ import division 
import time 
import math 
import cv2, cv 

vc = cv2.VideoCapture(0) 
# get the frame 
while True: 

    before_read = time.time() 
    rval, frame = vc.read() 
    after_read = time.time() 
    if frame is not None: 
     print len(frame) 
     print math.ceil((1.0/(after_read - before_read))) 
     cv2.imshow("preview", frame) 

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

    else: 
     print "None..." 
     cv2.waitKey(1) 

# display the frame 

while True: 
    cv2.imshow("preview", frame) 

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

बना रहे और बचत ऑडियो

from sys import byteorder 
from array import array 
from struct import pack 

import pyaudio 
import wave 

THRESHOLD = 500 
CHUNK_SIZE = 1024 
FORMAT = pyaudio.paInt16 
RATE = 44100 

def is_silent(snd_data): 
    "Returns 'True' if below the 'silent' threshold" 
    print "\n\n\n\n\n\n\n\n" 
    print max(snd_data) 
    print "\n\n\n\n\n\n\n\n" 
    return max(snd_data) < THRESHOLD 

def normalize(snd_data): 
    "Average the volume out" 
    MAXIMUM = 16384 
    times = float(MAXIMUM)/max(abs(i) for i in snd_data) 

    r = array('h') 
    for i in snd_data: 
     r.append(int(i*times)) 
    return r 

def trim(snd_data): 
    "Trim the blank spots at the start and end" 
    def _trim(snd_data): 
     snd_started = False 
     r = array('h') 

     for i in snd_data: 
      if not snd_started and abs(i)>THRESHOLD: 
       snd_started = True 
       r.append(i) 

      elif snd_started: 
       r.append(i) 
     return r 

    # Trim to the left 
    snd_data = _trim(snd_data) 

    # Trim to the right 
    snd_data.reverse() 
    snd_data = _trim(snd_data) 
    snd_data.reverse() 
    return snd_data 

def add_silence(snd_data, seconds): 
    "Add silence to the start and end of 'snd_data' of length 'seconds' (float)" 
    r = array('h', [0 for i in xrange(int(seconds*RATE))]) 
    r.extend(snd_data) 
    r.extend([0 for i in xrange(int(seconds*RATE))]) 
    return r 

def record(): 
    """ 
    Record a word or words from the microphone and 
    return the data as an array of signed shorts. 

    Normalizes the audio, trims silence from the 
    start and end, and pads with 0.5 seconds of 
    blank sound to make sure VLC et al can play 
    it without getting chopped off. 
    """ 
    p = pyaudio.PyAudio() 
    stream = p.open(format=FORMAT, channels=1, rate=RATE, 
     input=True, output=True, 
     frames_per_buffer=CHUNK_SIZE) 

    num_silent = 0 
    snd_started = False 

    r = array('h') 

    while 1: 
     # little endian, signed short 
     snd_data = array('h', stream.read(1024)) 
     if byteorder == 'big': 
      snd_data.byteswap() 

     print "\n\n\n\n\n\n" 
     print len(snd_data) 
     print snd_data 

     r.extend(snd_data) 

     silent = is_silent(snd_data) 

     if silent and snd_started: 
      num_silent += 1 
     elif not silent and not snd_started: 
      snd_started = True 

     if snd_started and num_silent > 1: 
      break 

    sample_width = p.get_sample_size(FORMAT) 
    stream.stop_stream() 
    stream.close() 
    p.terminate() 

    r = normalize(r) 
    r = trim(r) 
    r = add_silence(r, 0.5) 
    return sample_width, r 

def record_to_file(path): 
    "Records from the microphone and outputs the resulting data to 'path'" 
    sample_width, data = record() 
    data = pack('<' + ('h'*len(data)), *data) 

    wf = wave.open(path, 'wb') 
    wf.setnchannels(1) 
    wf.setsampwidth(sample_width) 
    wf.setframerate(RATE) 
    wf.writeframes(data) 
    wf.close() 

if __name__ == '__main__': 
    print("please speak a word into the microphone") 
    record_to_file('demo.wav') 
    print("done - result written to demo.wav") 

Answer 1

मुझे लगता है कि आप या तो GSreamer या ffmpeg, या आप Windows पर हैं, डायरेक्टशो का उपयोग कर बेहतर होगा। ये libs ऑडियो और वीडियो दोनों को संभाल सकते हैं, और आपके पास वीडियो और ऑडियो को ठीक से मिश्रण करने की अनुमति देने के लिए किसी प्रकार का मल्टीप्लेक्सर होना चाहिए।

यदि आपको वास्तव में OpenCV का उपयोग कर ऐसा करना चाहते हैं, तो आप VideoCapture उपयोग करने के लिए फ्रेम दर प्राप्त करने में सक्षम होना चाहिए, आप this उपयोग करने की कोशिश की है?

before_read = time.time() 
rval, frame = vc.read() 
after_read = time.time() 

:

nFrames = cv.GetCaptureProperty(vc, CV_CAP_PROP_FRAME_COUNT) 
      cv.SetCaptureProperty(vc, CV_CAP_PROP_POS_AVI_RATIO, 1) 
duration = cv.GetCaptureProperty(vc, CV_CAP_PROP_POS_MSEC) 
fps = 1000 * nFrames/duration; 

मुझे यकीन है कि मैं समझता हूँ कि तुम क्या यहाँ करने के लिए कोशिश कर रहे थे नहीं कर रहा हूँ:

fps = cv.GetCaptureProperty(vc, CV_CAP_PROP_FPS) 

एक और तरीका है अवधि से विभाजित फ्रेम की संख्या के रूप में एफपीएस अनुमान लगाने के लिए किया जाएगा

ऐसा लगता है कि after_read - before_read केवल यह मापता है कि अगले फ्रेम को लोड करने के लिए ओपनसीवी के लिए कितना समय लगा, यह एफपीएस को मापता नहीं है। ओपनसीवी प्लेबैक करने की कोशिश नहीं कर रहा है, यह केवल फ्रेम लोड कर रहा है और यह ऐसा करने की कोशिश करेगा जितना तेज़ हो सकता है और मुझे लगता है कि इसे कॉन्फ़िगर करने का कोई तरीका नहीं है। मुझे लगता है कि प्रत्येक फ्रेम को प्रदर्शित करने के बाद waitKey(1/fps) डालने से आप जो खोज रहे हैं उसे प्राप्त करेंगे।