meteor_detector_rtsp_web.py - 内部コンポーネント仕様書
Copyright (c) 2026 Masanori Sakai
Licensed under the MIT License
概要
meteor_detector_rtsp_web.py は、RTSPストリームから流星を検出し、Webプレビューを提供するリアルタイム検出エンジンです。
アーキテクチャ
全体構成図
graph TB
RTSP["RTSP映像ソース"]
Reader["RTSPReader<br/>スレッド1"]
Queue["Queue<br/>maxsize=30"]
DetectionWorker["detection_thread_worker<br/>スレッド2"]
RingBuffer["RingBuffer<br/>15秒分のフレーム"]
Detector["RealtimeMeteorDetector<br/>検出ロジック"]
Storage["ファイルシステム<br/>/output/"]
WebServer["ThreadedHTTPServer<br/>MJPEGHandler"]
Browser["Webブラウザ"]
RTSP -->|"フレーム取得"| Reader
Reader -->|"Queue.put"| Queue
Queue -->|"Queue.get"| DetectionWorker
DetectionWorker -->|"add(frame)"| RingBuffer
DetectionWorker -->|"detect_bright_objects"| Detector
DetectionWorker -->|"track_objects"| Detector
Detector -->|"MeteorEvent"| DetectionWorker
DetectionWorker -->|"get_range"| RingBuffer
DetectionWorker -->|"保存"| Storage
DetectionWorker -->|"current_frame更新"| WebServer
WebServer -->|"MJPEGストリーム"| Browser
Browser -->|"HTTP GET /stats"| WebServer
style Reader fill:#e2eafc
style DetectionWorker fill:#e2eafc
style WebServer fill:#e2eafc
style Detector fill:#dce6ff
style RingBuffer fill:#dce6ff
コアコンポーネント
1. RTSPReader
責務: RTSPストリームからフレームを読み込み、キューに供給する
クラス定義
class RTSPReader:
def __init__(self, url: str, reconnect_delay: float = 5.0, log_detail: bool = False)
def start(self) -> RTSPReader
def stop(self)
def _read_loop(self) # 内部スレッド
状態管理
stateDiagram-v2
[*] --> Stopped
Stopped --> Connecting: start()
Connecting --> Connected: 接続成功
Connecting --> Reconnecting: 接続失敗
Connected --> Reading: フレーム読み込み
Reading --> Connected: フレーム取得成功
Reading --> Reconnecting: 連続30回失敗
Reconnecting --> Connecting: 5秒待機後
Connected --> Stopped: stop()
Reconnecting --> Stopped: stop()
主要メソッド
| メソッド | 説明 | 戻り値 |
|---|---|---|
start() |
RTSPリーダースレッドを起動 | self |
stop() |
スレッドを停止 | なし |
_read_loop() |
内部ループ（別スレッド） | なし |
プロパティ
| プロパティ | 型 | 説明 |
|---|---|---|
queue |
Queue[Tuple[float, np.ndarray]] |
フレームキュー（最大30フレーム） |
stopped |
Event |
停止フラグ |
connected |
Event |
接続状態フラグ |
fps |
float |
ストリームのFPS |
width, height |
int |
フレーム解像度 |
シーケンス図
sequenceDiagram
participant Main
participant RTSPReader
participant Thread
participant OpenCV
participant Queue
Main->>RTSPReader: start()
RTSPReader->>Thread: スレッド起動
Thread->>OpenCV: cv2.VideoCapture(url)
alt 接続成功
OpenCV-->>Thread: cap.isOpened() = True
Thread->>Thread: connected.set()
loop フレーム読み込み
Thread->>OpenCV: cap.read()
OpenCV-->>Thread: (ret, frame)
alt フレーム取得成功
Thread->>Queue: put((timestamp, frame))
else 失敗が30回連続
Thread->>OpenCV: cap.release()
Thread->>Thread: 5秒待機して再接続
end
end
else 接続失敗
OpenCV-->>Thread: cap.isOpened() = False
Thread->>Thread: 5秒待機して再接続
end
Main->>Queue: get(timeout=1.0)
Queue-->>Main: (timestamp, frame)
2. RingBuffer
責務: 過去N秒分のフレームをメモリに保持し、流星検出時に前後のフレームを提供
クラス定義
class RingBuffer:
def __init__(self, max_seconds: float, fps: float = 30)
def add(self, timestamp: float, frame: np.ndarray)
def get_range(self, start_time: float, end_time: float) -> List[Tuple[float, np.ndarray]]
データ構造
graph LR
subgraph "RingBuffer (maxlen=360 for 12秒@30fps)"
F1["(t=0.00, frame1)"]
F2["(t=0.03, frame2)"]
F3["(t=0.07, frame3)"]
Dots["..."]
F360["(t=11.97, frame360)"]
end
F1 --> F2
F2 --> F3
F3 --> Dots
Dots --> F360
F360 -.->|"新フレーム追加で<br/>古いフレーム削除"| F1
style F1 fill:#e2eafc
style F360 fill:#dce6ff
メソッド
| メソッド | 説明 | 戻り値 |
|---|---|---|
add(timestamp, frame) |
フレームを追加（スレッドセーフ） | なし |
get_range(start, end) |
指定時間範囲のフレームを取得 | List[Tuple[float, np.ndarray]] |
使用例
# 初期化（12秒、30fps = 最大360フレーム）
ring_buffer = RingBuffer(max_seconds=12.0, fps=30.0)
# フレーム追加
ring_buffer.add(timestamp=0.0, frame=frame1)
ring_buffer.add(timestamp=0.033, frame=frame2)
# 流星検出時: 検出時刻の前後1秒を取得
event_frames = ring_buffer.get_range(
start_time=event.start_time - 1.0,
end_time=event.end_time + 1.0
)
RTSP Web版では buffer_seconds が max_duration + 2.0 秒を上限に自動調整されます。
3. RealtimeMeteorDetector
責務: フレームから明るい移動物体を検出し、流星かどうか判定する
クラス定義
class RealtimeMeteorDetector:
def __init__(
self,
params: DetectionParams,
fps: float = 30,
exclusion_mask: Optional[np.ndarray] = None,
nuisance_mask: Optional[np.ndarray] = None,
)
def detect_bright_objects(self, frame, prev_frame) -> List[dict]
def track_objects(self, objects, timestamp) -> List[MeteorEvent]
def finalize_all(self) -> List[MeteorEvent]
def update_exclusion_mask(self, new_mask: Optional[np.ndarray]) -> None
def update_nuisance_mask(self, new_mask: Optional[np.ndarray]) -> None
検出アルゴリズムフロー
flowchart TD
Start["フレーム取得<br/>(gray, prev_gray)"]
Diff["差分計算<br/>cv2.absdiff()"]
Thresh["二値化<br/>threshold > 30"]
Mask["除外マスク適用<br/>mask > 0 を除外"]
Morph["モルフォロジー処理<br/>open → close"]
Contours["輪郭検出<br/>findContours()"]
Filter1{"面積フィルタ<br/>5 ≤ area ≤ 10000"}
Filter2{"輝度フィルタ<br/>brightness ≥ min_brightness"}
Filter2b{"ノイズ帯重なり除外<br/>(v1.12.0)<br/>small_area & overlap高"}
Filter3{"画面下部除外<br/>y < height×(1-exclude_bottom)"}
Filter4{"画面端除外<br/>(v1.16.0)<br/>exclude_edge_ratio適用"}
Objects["検出物体リスト<br/>{centroid, brightness, area}"]
Track["トラッキング<br/>track_objects()"]
Decision{"軌跡が完了<br/>かつ判定条件を満たす"}
NuisanceCheck{"ノイズ帯経路除外<br/>(v1.12.0)<br/>path_overlap高"}
Meteor["MeteorEvent生成"]
End["次フレームへ"]
Start --> Diff
Diff --> Thresh
Thresh --> Mask
Mask --> Morph
Morph --> Contours
Contours --> Filter1
Filter1 -->|"No"| End
Filter1 -->|"Yes"| Filter2
Filter2 -->|"No"| End
Filter2 -->|"Yes"| Filter2b
Filter2b -->|"除外"| End
Filter2b -->|"通過"| Filter3
Filter3 -->|"No"| End
Filter3 -->|"Yes"| Filter4
Filter4 -->|"No"| End
Filter4 -->|"Yes"| Objects
Objects --> Track
Track --> Decision
Decision -->|"No"| End
Decision -->|"Yes"| NuisanceCheck
NuisanceCheck -->|"除外"| End
NuisanceCheck -->|"通過"| Meteor
Meteor --> End
style Start fill:#e2eafc
style Meteor fill:#f8d7da
style Objects fill:#dce6ff
style Filter2b fill:#ffe3c4
style Filter4 fill:#ffe3c4
style NuisanceCheck fill:#ffe3c4
トラッキング状態管理
stateDiagram-v2
[*] --> NewObject: 物体検出
NewObject --> Tracking: 次フレームで追跡成功
Tracking --> Tracking: 連続追跡
Tracking --> Lost: max_gap_time (2.0秒) 超過
Tracking --> Completed: トラック終了判定
Lost --> Finalize: 軌跡評価
Completed --> Finalize: 軌跡評価
Finalize --> Meteor: 全条件クリア
Finalize --> Discard: 条件未達
Meteor --> [*]
Discard --> [*]
note right of Finalize
判定条件:
- 0.1秒 ≤ duration ≤ 10秒
- 20px ≤ length ≤ 5000px
- speed ≥ 50 px/s
- linearity ≥ 0.7
- track_points ≥ min_track_points
- stationary_ratio ≤ max_stationary_ratio
- nuisance_path_overlap ≤ nuisance_path_overlap_threshold
end note
検出パラメータ (DetectionParams)
| パラメータ | デフォルト値 | 説明 | 導入バージョン |
|---|---|---|---|
diff_threshold |
30 | 差分閾値 | v1.0.0 |
min_brightness |
200 | 最小輝度 | v1.0.0 |
min_brightness_tracking |
min_brightness | 追跡時の最小輝度 | v1.0.0 |
min_length |
20 px | 最小軌跡長 | v1.0.0 |
max_length |
5000 px | 最大軌跡長 | v1.0.0 |
min_duration |
0.1 秒 | 最小継続時間 | v1.0.0 |
max_duration |
10.0 秒 | 最大継続時間 | v1.0.0 |
min_speed |
50.0 px/s | 最小速度 | v1.0.0 |
min_linearity |
0.7 | 最小直線性 (0-1) | v1.0.0 |
min_area |
5 px² | 最小面積 | v1.0.0 |
max_area |
10000 px² | 最大面積 | v1.0.0 |
max_gap_time |
2.0 秒 | 最大トラッキング間隔 | v1.0.0 |
max_distance |
80 px | 最大移動距離 | v1.0.0 |
merge_max_gap_time |
1.5 秒 | イベント結合の最大間隔 | v1.0.0 |
merge_max_distance |
80 px | イベント結合の最大距離 | v1.0.0 |
merge_max_speed_ratio |
0.5 | イベント結合の最大速度比 | v1.0.0 |
exclude_bottom_ratio |
1/16 | 画面下部除外率 | v1.0.0 |
nuisance_overlap_threshold |
0.60 | ノイズ帯重なり閾値（候補段階） | v1.12.0 |
nuisance_path_overlap_threshold |
0.70 | ノイズ帯経路重なり閾値（トラック確定時） | v1.12.0 |
min_track_points |
4 | 最小追跡点数 | v1.12.0 |
max_stationary_ratio |
0.40 | 静止率上限（停滞物体除外） | v1.12.0 |
small_area_threshold |
40 | 小領域判定閾値（px²） | v1.12.0 |
clip_margin_before |
1.0 秒 | 録画開始マージン（イベント前） | v1.14.0 |
clip_margin_after |
1.0 秒 | 録画終了マージン（イベント後） | v1.14.0 |
exclude_edge_ratio |
0.0 | 画面端除外率（0.0-0.5、0=無効） | v1.16.0 |
除外マスク（固定カメラ向け）
- 事前生成済みマスク（
MASK_IMAGE）がある場合は優先して適用 MASK_FROM_DAYが設定されている場合は、昼間画像からマスクを生成- ダッシュボードの「マスク更新」ボタンで現在フレームから再生成（永続化）
ノイズ帯マスク（電線・部分照明対策）(v1.12.0)
nuisance_maskは除外マスクとは別の誤検出抑制マスク- 目的: 電線、街灯、部分照明など、静止しているが明滅する物体による誤検出を抑制
- 設定方法:
nuisance_mask_image: 手動マスク画像パスnuisance_from_night: 夜間基準画像から自動生成- 自動生成アルゴリズム: ```python # 1. Canny エッジ検出 edges = cv2.Canny(reference_frame, 50, 150, apertureSize=3)
# 2. HoughLinesP で直線検出（電線など） lines = cv2.HoughLinesP(edges, 1, np.pi/180, 50, minLineLength=30, maxLineGap=10)
# 3. dilate で線を太くする（nuisance_dilate ピクセル） mask = cv2.dilate(line_mask, kernel, iterations=nuisance_dilate) ```
ノイズ帯除外の2段階フィルタリング
1. 候補段階の除外 (detect_bright_objects 内)
- 小領域 (area < small_area_threshold) の候補のみ対象
- 候補バウンディングボックスとノイズ帯の重なり率を計算
- nuisance_overlap_threshold (デフォルト 0.60) を超える場合は候補を除外
if area < params.small_area_threshold and nuisance_mask is not None:
overlap_ratio = calculate_mask_overlap(bbox, nuisance_mask)
if overlap_ratio > params.nuisance_overlap_threshold:
continue # 候補として採用しない
2. トラック確定時の除外 (track_objects 内)
- 確定したトラックの全経路とノイズ帯の重なり率を計算
- nuisance_path_overlap_threshold (デフォルト 0.70) を超える場合はイベント除外
- 追加条件も評価:
- min_track_points: 最小追跡点数（デフォルト 4点）
- max_stationary_ratio: 停滞物体の除外（デフォルト 0.40）
# トラック経路とノイズ帯の重なり計算
path_overlap = calculate_path_overlap(track.positions, nuisance_mask)
if path_overlap > params.nuisance_path_overlap_threshold:
# 流星イベントとして採用しない
continue
関連パラメータ
| パラメータ | 用途 | デフォルト値 |
|---|---|---|
nuisance_overlap_threshold |
候補段階の重なり閾値 | 0.60 |
nuisance_path_overlap_threshold |
トラック確定時の経路重なり閾値 | 0.70 |
small_area_threshold |
小領域判定の面積閾値（px²） | 40 |
min_track_points |
最小追跡点数 | 4 |
max_stationary_ratio |
停滞物体の除外閾値 | 0.40 |
nuisance_dilate |
マスク膨張イテレーション数 | 3 |
感度プリセット
| プリセット | diff_threshold | min_brightness | 用途 |
|---|---|---|---|
low |
40 | 220 | 明るい流星のみ |
medium (デフォルト) |
30 | 200 | バランス型 |
high |
20 | 180 | 暗い流星も検出 |
faint |
16 | 150 | 短く暗い流星の取りこぼし低減 |
fireball |
15 | 150 | 火球専用（長時間OK） |
追跡中は min_brightness_tracking を使用します。RTSP Webでは faint のみ min_brightness の80%に自動設定されるため、現行値では 120 になります。それ以外は min_brightness と同値です。
信頼度計算
def calculate_confidence(length, speed, linearity, brightness, duration) -> float:
length_score = min(1.0, length / 100.0) # 25%の重み
speed_score = min(1.0, speed / 20.0) # 20%の重み
linearity_score = linearity # 25%の重み
brightness_score = min(1.0, brightness / 255) # 20%の重み
duration_bonus = min(0.2, duration / 100.0 * 0.2) # 最大20%のボーナス
return min(1.0, length_score * 0.25 + speed_score * 0.2 +
linearity_score * 0.25 + brightness_score * 0.2 + duration_bonus)
4. 共通ユーティリティ (meteor_detector_common.py)
RTSP/MP4検出で共通利用する補助関数群です。
calculate_linearity(xs, ys): 直線性の評価calculate_confidence(...): 信頼度スコアの算出open_video_writer(...): 利用可能なコーデックでVideoWriterを初期化
5. MeteorEvent
責務: 検出された流星イベントのデータクラス
クラス定義
@dataclass
class MeteorEvent:
timestamp: datetime # 検出時刻
start_time: float # 開始時刻（相対）
end_time: float # 終了時刻（相対）
start_point: Tuple[int, int] # 開始座標
end_point: Tuple[int, int] # 終了座標
peak_brightness: float # ピーク輝度
confidence: float # 信頼度 (0-1)
frames: List[Tuple[float, np.ndarray]] # フレームリスト
プロパティ
| プロパティ | 型 | 説明 |
|---|---|---|
duration |
float |
継続時間（秒） |
length |
float |
軌跡長（ピクセル） |
JSON出力形式
{
"timestamp": "2026-02-02T06:55:33.411811",
"start_time": 125.340,
"end_time": 125.780,
"duration": 0.440,
"start_point": [320, 180],
"end_point": [450, 220],
"length_pixels": 135.6,
"peak_brightness": 245.3,
"confidence": 0.87
}
5. detection_thread_worker
責務: メイン検出ループを実行する（別スレッド）
処理フロー
flowchart TD
Start["スレッド開始"]
Init["初期化<br/>RingBuffer, Detector"]
Loop["フレーム取得ループ"]
ReadFrame["RTSPReader.read()"]
CheckTime{"天文薄暮<br/>時間帯?"}
AddBuffer["RingBuffer.add()"]
Resize["リサイズ<br/>(scale=0.5)"]
Gray["グレースケール変換"]
Detect["detect_bright_objects()"]
Track["track_objects()"]
CheckEvent{"MeteorEvent<br/>発生?"}
SaveEvent["save_meteor_event()<br/>- 動画(オプション)<br/>- コンポジット画像<br/>- JSONL追記"]
UpdatePreview["プレビューフレーム生成<br/>current_frame更新"]
CheckStop{"stop_flag<br/>?"}
Finalize["finalize_all()"]
End["スレッド終了"]
Start --> Init
Init --> Loop
Loop --> ReadFrame
ReadFrame --> AddBuffer
AddBuffer --> Resize
Resize --> Gray
Gray --> CheckTime
CheckTime -->|"Yes"| Detect
CheckTime -->|"No"| UpdatePreview
Detect --> Track
Track --> CheckEvent
CheckEvent -->|"Yes"| SaveEvent
CheckEvent -->|"No"| UpdatePreview
SaveEvent --> UpdatePreview
UpdatePreview --> CheckStop
CheckStop -->|"No"| Loop
CheckStop -->|"Yes"| Finalize
Finalize --> End
style Start fill:#e2eafc
style SaveEvent fill:#dce6ff
style CheckTime fill:#ffe3c4
style End fill:#e2eafc
グローバル変数（Webサーバー連携用）
| 変数名 | 型 | 説明 |
|---|---|---|
current_frame |
np.ndarray |
現在のプレビューフレーム |
current_frame_lock |
Lock |
フレーム更新用ロック |
detection_count |
int |
検出数カウンター |
last_frame_time |
float |
最終フレーム受信時刻 |
is_detecting_now |
bool |
検出処理中フラグ |
current_settings |
dict |
設定情報 |
6. MJPEGHandler (Webサーバー)
責務: HTTP経由でプレビューストリームと統計情報を提供
エンドポイント
graph LR
Browser["ブラウザ"]
subgraph "MJPEGHandler"
Root["/"]
Stream["/stream"]
Stats["/stats"]
end
HTML["HTML<br/>プレビューページ"]
MJPEG["MJPEGストリーム<br/>multipart/x-mixed-replace"]
JSON["統計情報<br/>application/json"]
Browser -->|"GET /"| Root
Root --> HTML
Browser -->|"GET /stream"| Stream
Stream --> MJPEG
Browser -->|"GET /stats"| Stats
Stats --> JSON
style Root fill:#e2eafc
style Stream fill:#e2eafc
style Stats fill:#e2eafc
/stream 処理フロー
sequenceDiagram
participant Browser
participant MJPEGHandler
participant GlobalFrame as current_frame<br/>(グローバル変数)
Browser->>MJPEGHandler: GET /stream
MJPEGHandler-->>Browser: 200 OK<br/>Content-Type: multipart/x-mixed-replace
loop 30fps配信
MJPEGHandler->>GlobalFrame: Lock取得
GlobalFrame-->>MJPEGHandler: current_frame
MJPEGHandler->>MJPEGHandler: cv2.imencode('.jpg', frame)
MJPEGHandler-->>Browser: --frame\r\n<JPEG data>\r\n
MJPEGHandler->>MJPEGHandler: sleep(0.033秒)
end
/stats レスポンス
{
"detections": 5,
"elapsed": 3600.5,
"camera": "camera1_10.0.1.25",
"settings": {
"sensitivity": "medium",
"scale": 0.5,
"buffer": 15.0,
"extract_clips": true,
"exclude_bottom": 0.0625,
"nuisance_overlap_threshold": 0.6,
"nuisance_path_overlap_threshold": 0.7,
"min_track_points": 4,
"max_stationary_ratio": 0.4,
"small_area_threshold": 40,
"mask_image": "",
"mask_from_day": "",
"mask_dilate": 5,
"nuisance_mask_image": "",
"nuisance_from_night": "",
"nuisance_dilate": 3,
"clip_margin_before": 1.0,
"clip_margin_after": 1.0
},
"runtime_fps": 19.83,
"stream_alive": true,
"time_since_last_frame": 0.03,
"is_detecting": true,
"detection_status": "DETECTING",
"detection_window_enabled": true,
"detection_window_active": true,
"detection_window_start": "18:00:00",
"detection_window_end": "05:00:00",
"mask_active": true,
"mask_update_pending": false,
"recording": {
"supported": true,
"state": "idle",
"start_at": "",
"duration_sec": 0,
"remaining_sec": 0,
"output_path": "",
"error": ""
}
}
/apply_settings による運用時設定反映
- ダッシュボード設定ページまたはAPIから
POST /apply_settingsで反映可能 - 即時反映:
- しきい値群、誤検出抑制パラメータ、マスク更新系
- 自動再起動で反映:
sensitivity,scale,buffer,extract_clips- 起動時依存項目は
output/runtime_settings/<camera>.jsonに保存され、再起動後も維持
データフロー全体像
sequenceDiagram
participant RTSP
participant RTSPReader
participant Queue
participant Worker as detection_thread_worker
participant Buffer as RingBuffer
participant Detector
participant Storage
participant Web as MJPEGHandler
participant Browser
RTSP->>RTSPReader: 映像フレーム配信
RTSPReader->>Queue: put(timestamp, frame)
Worker->>Queue: get()
Queue-->>Worker: (timestamp, frame)
Worker->>Buffer: add(timestamp, frame)
Worker->>Worker: リサイズ & グレースケール
Worker->>Detector: detect_bright_objects(gray, prev_gray)
Detector-->>Worker: objects[]
Worker->>Detector: track_objects(objects, timestamp)
alt 流星検出
Detector-->>Worker: MeteorEvent
Worker->>Buffer: get_range(start-1s, end+1s)
Buffer-->>Worker: frames[]
Worker->>Storage: 動画 + JPEG + JSONL保存
end
Worker->>Worker: プレビュー生成
Worker->>Web: current_frame更新 (Lock)
Browser->>Web: GET /stream
Web->>Web: current_frame読み込み (Lock)
Web-->>Browser: MJPEG配信
Browser->>Web: GET /stats
Web-->>Browser: 統計情報JSON
保存処理 (save_meteor_event)
保存ファイル構成
graph TD
Event["MeteorEvent"]
subgraph "save_meteor_event()"
GetFrames["RingBuffer.get_range<br/>(start-1s, end+1s)"]
Video["MP4動画<br/>meteor_YYYYMMDD_HHMMSS.mp4"]
Composite["コンポジット画像<br/>meteor_YYYYMMDD_HHMMSS_composite.jpg"]
Original["オリジナル合成<br/>meteor_YYYYMMDD_HHMMSS_composite_original.jpg"]
JSONL["検出ログ<br/>detections.jsonl"]
end
Event --> GetFrames
GetFrames --> Video
GetFrames --> Composite
GetFrames --> Original
Event --> JSONL
style Video fill:#e2eafc
style Composite fill:#dce6ff
style Original fill:#dce6ff
style JSONL fill:#ffe3c4
コンポジット画像生成アルゴリズム
# イベント期間中の全フレームの最大値合成
composite = event_frames[0][1].astype(np.float32)
for _, frame in event_frames[1:]:
composite = np.maximum(composite, frame.astype(np.float32))
composite = np.clip(composite, 0, 255).astype(np.uint8)
# 軌跡をマーキング
cv2.line(composite, start_point, end_point, (0, 255, 255), 2)
cv2.circle(composite, start_point, 6, (0, 255, 0), 2) # 開始点（緑）
cv2.circle(composite, end_point, 6, (0, 0, 255), 2) # 終了点（赤）
環境変数による設定
| 環境変数 | デフォルト値 | 説明 |
|---|---|---|
ENABLE_TIME_WINDOW |
false |
天文薄暮時間帯制限の有効化 |
LATITUDE |
35.3606 |
観測地の緯度（富士山頂） |
LONGITUDE |
138.7274 |
観測地の経度（富士山頂） |
TIMEZONE |
Asia/Tokyo |
タイムゾーン |
EXTRACT_CLIPS |
true |
クリップ動画保存の有効化 |
RTSP_LOG_DETAIL |
true |
RTSP 接続の詳細ログ出力 (v3.1.1+) |
スレッド構成とロック
graph TB
subgraph "プロセス: meteor_detector_rtsp_web.py"
Main["メインスレッド"]
Thread1["RTSPReaderスレッド"]
Thread2["detection_thread_worker"]
Thread3["MJPEGHandlerスレッド群"]
Queue["Queue<br/>(スレッドセーフ)"]
BufferLock["RingBuffer.lock"]
DetectorLock["Detector.lock"]
FrameLock["current_frame_lock"]
Thread1 -->|"put"| Queue
Thread2 -->|"get"| Queue
Thread2 -->|"取得"| BufferLock
Thread2 -->|"取得"| DetectorLock
Thread2 -->|"取得"| FrameLock
Thread3 -->|"取得"| FrameLock
end
style Main fill:#dbe7f6
style Thread1 fill:#e2eafc
style Thread2 fill:#e2eafc
style Thread3 fill:#e2eafc
style Queue fill:#dce6ff
ロック戦略
| ロック | 保護対象 | 取得スレッド |
|---|---|---|
RingBuffer.lock |
buffer: deque |
detection_thread_worker |
Detector.lock |
active_tracks: dict |
detection_thread_worker |
current_frame_lock |
current_frame: np.ndarray |
detection_thread_worker, MJPEGHandler |
| Queue内部ロック | キューの操作 | RTSPReader, detection_thread_worker |
パフォーマンス最適化
1. 処理スケール調整
# フレームを0.5倍にリサイズして処理負荷を削減
process_scale = 0.5 # デフォルト
proc_frame = cv2.resize(frame, (width*0.5, height*0.5), interpolation=cv2.INTER_AREA)
# 検出座標は元のスケールに戻す
for obj in objects:
cx, cy = obj["centroid"]
obj["centroid"] = (int(cx / process_scale), int(cy / process_scale))
2. キューサイズ制限
# 最大30フレーム保持（約1秒分 @ 30fps）
self.queue = Queue(maxsize=30)
# キューが満杯の場合は古いフレームを削除
if self.queue.full():
self.queue.get_nowait()
self.queue.put((timestamp, frame))
3. モルフォロジー処理
# ノイズ除去と輪郭のスムージング
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel) # 小さなノイズ除去
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 小さな穴を埋める
エラーハンドリング
RTSP接続エラー
# 自動再接続メカニズム
while not self.stopped.is_set():
cap = cv2.VideoCapture(self.url)
if not cap.isOpened():
print(f"接続失敗: {self.url}")
time.sleep(self.reconnect_delay) # 5秒待機
continue
# ... 正常処理 ...
フレーム読み込みエラー
consecutive_failures = 0
while not self.stopped.is_set():
ret, frame = cap.read()
if not ret:
consecutive_failures += 1
if consecutive_failures > 30: # 30回連続失敗で再接続
break
time.sleep(0.01)
continue
consecutive_failures = 0 # リセット
テスト・デバッグ
ログ出力
# 1分ごとの稼働状況
if frame_count % (int(fps) * 60) == 0:
elapsed = time.time() - start_time_global
print(f"[{datetime.now().strftime('%H:%M:%S')}] 稼働: {elapsed/60:.1f}分, 検出: {detection_count}個")
# 流星検出時
print(f"\n[{event.timestamp.strftime('%H:%M:%S')}] 流星検出 #{detection_count}")
print(f" 長さ: {event.length:.1f}px, 時間: {event.duration:.2f}秒")
プレビュー表示（検出状態の可視化）
- 緑丸: 検出中の明るい物体
- 黄線: 追跡中の軌跡
- 赤表示: 流星検出完了
関連ファイル
astro_utils.py: 天文薄暮期間の判定関数is_detection_active()DetectionParams: 検出パラメータのデータクラスdocker-compose.yml: コンテナ設定（環境変数、ポート、ボリューム）