传统视觉项目 | 使用 OpenCV 进行运动检测-51CTO.COM

在技术不断重塑我们与世界互动方式的时代，计算机视觉已成为最令人兴奋的创新领域之一。从自动驾驶汽车到家庭安防系统，检测和解释运动的能力已成为现代应用的重要组成部分。在这些进步的背后，OpenCV（开源计算机视觉库）扮演了核心角色，它使开发者能够构建强大而高效的图像和视频处理系统。

在本文中，我们将引导你了解检测视频流或实时画面中运动的基本概念、工具和技术。通过本文的学习，你不仅将拥有一个可运行的原型，还会对运动检测背后的原理有更深入的理解。

运动检测的工作原理是什么？

运动检测，也称为动作检测，涉及识别视频流中连续帧之间的变化。其基本思想很简单：如果帧的某一部分随时间发生显著变化，我们假设该区域发生了运动。以下是运动检测的基本流程：

帧差分：通过比较视频的连续帧，我们可以识别像素值发生变化的区域。这些差异通常表示运动。
阈值处理：在识别出差异后，应用阈值以将显著变化与噪声分离。这确保忽略微小变化（如光照变化）。
轮廓检测：为了定位和勾勒移动物体，分析处理后的图像以检测轮廓。这些轮廓代表移动物体的形状。
背景减除（可选）：在更高级的情况下，维护一个背景模型，任何与背景的偏差都被视为运动。这种方法在固定摄像头的场景中特别有效。
后处理：可以使用其他技术（如过滤小范围运动或稳定检测）来优化结果，提高准确性。

为什么选择OpenCV？

OpenCV（开源计算机视觉）是一个强大的开源库，专为实时计算机视觉和图像处理而设计。它提供了广泛的工具和功能，使运动检测、人脸识别、目标跟踪等任务变得简单高效。OpenCV的主要特点包括：

广泛的算法：预建的图像处理、特征提取和目标检测算法。
多语言支持：与Python、C++、Java等语言无缝协作。
实时性能：针对速度进行了优化，非常适合实时应用。
丰富的文档：庞大的社区和优秀的文档使OpenCV对初学者友好且高度可定制。

在本文中，我们将使用OpenCV的视频处理功能构建一个运动检测系统。通过将OpenCV的工具与Python的简洁性结合，你会发现实现一个能够有效检测和突出运动的解决方案非常容易。

开始使用

步骤1：安装必要的库

pip install opencv-python numpy1.

步骤2：导入库

import cv2
import numpy as np1.
2.

步骤3：定义运动检测逻辑

使用函数calculate_motion_regions检测运动。
比较连续帧以发现差异。
使用轮廓突出显示运动区域。
通过阈值过滤小范围运动。

def calculate_motion_regions(prev_frame, curr_frame, mask, threshold=900):
    # Apply the mask to both frames
    prev_roi = cv2.bitwise_and(prev_frame, prev_frame, mask=mask)
    curr_roi = cv2.bitwise_and(curr_frame, curr_frame, mask=mask)

    # Convert to grayscale for simplicity
    prev_gray = cv2.cvtColor(prev_roi, cv2.COLOR_BGR2GRAY)
    curr_gray = cv2.cvtColor(curr_roi, cv2.COLOR_BGR2GRAY)

    # Calculate absolute difference
    diff = cv2.absdiff(prev_gray, curr_gray)

    # Threshold the difference to binarize
    _, diff_thresh = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)

    # Find contours of the motion regions
    contours, _ = cv2.findContours(diff_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    motion_regions = []
    for contour in contours:
        if cv2.contourArea(contour) > threshold:  # Filter small motion areas
            motion_regions.append([contour])

    return motion_regions, diff_thresh1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.

步骤4：初始化视频捕获和掩码

打开视频文件。

cap = cv2.VideoCapture(r"YourVideoPath") # or use 0 for webcam
if not cap.isOpened():
    print("Error: Cannot open video file.")
    exit()1.
2.
3.
4.

读取第一帧并创建覆盖整个帧的掩码。

ret, prev_frame = cap.read()
if not ret:
    print("Error: Cannot read the first frame.")
    cap.release()
    exit()

mask = np.ones(prev_frame.shape[:2], dtype=np.uint8) * 2551.
2.
3.
4.
5.
6.
7.

步骤5：逐帧处理视频

循环遍历视频帧，计算运动区域并显示结果。

while cap.isOpened():
    ret, curr_frame = cap.read()
    if not ret:
        break

    motion_regions, motion_mask = calculate_motion_regions(prev_frame, curr_frame, mask)

    # Draw bounding boxes around motion regions

    for motion_region in motion_regions:
        cv2.polylines(curr_frame, motion_region, isClosed=True, color=(0, 255, 0), thickness=1)

    # Update the previous frame
    prev_frame = curr_frame.copy()

    # Convert motion mask to 3 channels for concatenation
    motion_mask_colored = cv2.cvtColor(motion_mask, cv2.COLOR_GRAY2BGR)

    curr_frame = cv2.resize(curr_frame, (490, 640))
    motion_mask_colored = cv2.resize(motion_mask_colored, (490, 640))

    # Concatenate the current frame and the motion mask side-by-side
    combined_frame = cv2.hconcat([curr_frame, motion_mask_colored])

    # Show the combined frame
    cv2.imshow('Motion Detection', combined_frame)

    # Break the loop with 'q'
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.

步骤6：回收

cap.release()
cv2.destroyAllWindows()1.
2.

工作原理

(1) 帧比较：

每一帧都与前一帧进行比较，以识别差异（运动）。
使用每帧的灰度版本以简化处理。

(2) 运动阈值处理：

通过阈值过滤掉微小差异，以分离出显著的运动区域。

(3) 运动区域边界：

在检测到的运动区域周围绘制轮廓以突出显示。

(4) 可视化：

将处理后的帧和运动掩码并排显示，以便更好地理解。

运行代码

将完整脚本保存为.py文件。
运行脚本
按q键退出视频显示。

传统视觉项目 | ​使用 OpenCV 进行运动检测

运动检测的工作原理是什么？

为什么选择OpenCV？

开始使用

工作原理

运行代码

传统视觉项目 | 使用 OpenCV 进行运动检测