Python使用背景差分器實(shí)現(xiàn)運(yùn)動(dòng)物體檢測(cè)
前言
目前，許多運(yùn)動(dòng)檢測(cè)技術(shù)都是基于簡(jiǎn)單的背景差分概念的，即假設(shè)攝像頭（視頻）的曝光和場(chǎng)景中的光照條件是穩(wěn)定的，當(dāng)攝像頭捕捉到新的幀時(shí)，我們可以從參考圖像中減去該幀，并取這個(gè)差的絕對(duì)值，以獲得幀中每個(gè)像素位置的運(yùn)動(dòng)測(cè)量值。如果幀的任何區(qū)域與參考圖像有很大的不同，我們就認(rèn)為給定區(qū)域中是一個(gè)運(yùn)動(dòng)物體。
本文主要簡(jiǎn)單介紹基本背景差分器，詳細(xì)介紹MOG背景差分器，KNN背景差分器。
一、基本背景差分器
首先，基本背景差分器可以很好地實(shí)現(xiàn)運(yùn)動(dòng)物體的檢測(cè)，代碼實(shí)現(xiàn)參考此鏈接
其特點(diǎn)是：此腳本不會(huì)動(dòng)態(tài)更新背景圖像，即當(dāng)一個(gè)運(yùn)動(dòng)的物體靜止后，此腳本仍然會(huì)標(biāo)記此物體，除非此物體消失在窗口中，甚至當(dāng)攝像頭運(yùn)動(dòng)或者光線變化時(shí)，此腳本會(huì)直接標(biāo)記整個(gè)窗口直到程序結(jié)束。
如果我們希望腳本能夠動(dòng)態(tài)的更新背景模型，即當(dāng)運(yùn)動(dòng)物體靜止后，靜止物體會(huì)被納入背景，標(biāo)記會(huì)逐漸消失，這時(shí)，我們就可以采用更靈活、更智能的背景差分器（如MOG背景差分器、KNN背景差分器）。
二、MOG背景差分器
OpenCV提供了一個(gè)名為 cv2.BackgroundSubtractor 的類，它有實(shí)現(xiàn)各種背景差分算法的子類。
對(duì)于MOG背景差分器，OpenCV有兩種實(shí)現(xiàn)，分別命名為：cv2.BackgroundSubtractorMOG 和 cv2.BackgroundSubtractorMOG2，后者是最新改進(jìn)的實(shí)現(xiàn)，增加了對(duì)陰影檢測(cè)的支持，我們將使用它。
流程
1.導(dǎo)入OpenCV，初始化MOG背景差分器，定義erode（腐蝕）、dilate（膨脹）運(yùn)算的核大小
import cv2 bg_subtractor = cv2.createBackgroundSubtractorMOG2(detectShadows=True) erode_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) dilate_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
初始化函數(shù)中接收一個(gè)參數(shù)detectShadows，將其設(shè)置為T(mén)rue，就會(huì)標(biāo)記出陰影區(qū)域，而不會(huì)標(biāo)記為前景的一部分。
使用腐蝕與膨脹的形態(tài)學(xué)操作是為了抑制一些細(xì)微的振動(dòng)頻率。
2.捕捉攝像頭幀，并使用MOG差分器獲得背景掩膜
cap = cv2.VideoCapture(0)
success, frame = cap.read()
while success:
fg_mask = bg_subtractor.apply(frame)
當(dāng)我們把每一幀傳遞給背景差分器的 apply 方法時(shí)，差分器就會(huì)更新它的內(nèi)部背景模型，然后返回一個(gè)掩膜。
其中，前景部分的掩膜是白色（255），陰影部分的掩膜是灰色（127），背景部分的掩膜是黑色（0）
3.然后對(duì)掩膜應(yīng)用閾值來(lái)獲得純黑白圖像，并通過(guò)形態(tài)學(xué)運(yùn)算對(duì)閾值化圖像進(jìn)行平滑處理。
_, thresh = cv2.threshold(fg_mask, 244, 255, cv2.THRESH_BINARY)
cv2.erode(thresh, erode_kernel, thresh, iterations=2)
cv2.dilate(thresh, dilate_kernel, thresh, iterations=2)
（本示例中，我們開(kāi)啟了陰影檢測(cè)，但我們?nèi)匀幌氚殃幱罢J(rèn)為是背景，所以對(duì)掩膜應(yīng)用一個(gè)接近白色（244）的閾值）
4.現(xiàn)在，如果我們直接查看閾值化后的圖像，會(huì)發(fā)現(xiàn)運(yùn)動(dòng)物體呈現(xiàn)白色斑點(diǎn)，我們想找到白色斑點(diǎn)的輪廓，并在其周?chē)L制輪廓。其中，我們將應(yīng)用一個(gè)基于輪廓面積的閾值，如果輪廓太小，就認(rèn)為它不是真正的運(yùn)動(dòng)物體（或者不使用此閾值），檢測(cè)輪廓與繪制邊框的代碼：
contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
for c in contours:
if cv2.contourArea(c) > 1000:
x, y, w, h = cv2.boundingRect(c)
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 255, 0), 2)
5.顯示掩膜圖像/閾值化圖像/檢測(cè)結(jié)果圖像，繼續(xù)讀取幀，直到按下ESC退出。
cv2.imshow('mog', fg_mask)
cv2.imshow('thresh', thresh)
cv2.imshow('detection', frame)
k = cv2.waitKey(30)
if k == 27: # Escape
break
success, frame = cap.read()
代碼編寫(xiě)
import cv2
OPENCV_MAJOR_VERSION = int(cv2.__version__.split('.')[0])
bg_subtractor = cv2.createBackgroundSubtractorMOG2(detectShadows=True)
erode_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
dilate_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
cap = cv2.VideoCapture(0)
success, frame = cap.read()
while success:
fg_mask = bg_subtractor.apply(frame)
_, thresh = cv2.threshold(fg_mask, 244, 255, cv2.THRESH_BINARY)
cv2.erode(thresh, erode_kernel, thresh, iterations=2)
cv2.dilate(thresh, dilate_kernel, thresh, iterations=2)
if OPENCV_MAJOR_VERSION >= 4:
# OpenCV 4 or a later version is being used.
contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
else:
# OpenCV 3 or an earlier version is being used.
# cv2.findContours has an extra return value.
# The extra return value is the thresholded image, which is
# unchanged, so we can ignore it.
_, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
for c in contours:
if cv2.contourArea(c) > 1000:
x, y, w, h = cv2.boundingRect(c)
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 255, 0), 2)
cv2.imshow('mog', fg_mask)
cv2.imshow('thresh', thresh)
cv2.imshow('detection', frame)
k = cv2.waitKey(30)
if k == 27: # Escape
break
success, frame = cap.read()
cap.release()
cv2.destroyAllWindows()
注意：當(dāng)我們啟用陰影檢測(cè)時(shí)，我們可以通過(guò)一個(gè)閾值來(lái)移除掩膜上的陰影和反射部分，從而使得檢測(cè)能夠準(zhǔn)確地框選到實(shí)際運(yùn)動(dòng)物體（本示例）。如果我們禁用陰影檢測(cè)，那么倒影或者反射部分可能都會(huì)被框選，從而影響檢測(cè)真正運(yùn)動(dòng)物體的準(zhǔn)確性。
三、KNN背景差分器
通過(guò)修改MOG背景差分腳本的很一小部分代碼，即可使用不同的背景差分算法以及不同的形態(tài)學(xué)參數(shù)。
1.用cv2.createBackgroundSubtractorKNN替換cv2.createBackgroundSubtractorMOG2，就可以使用基于KNN聚類（而不是MOG聚類）的背景差分器：
bg_subtractor = cv2.createBackgroundSubtractorKNN(detectShadows=True)
（注意：KNN背景差分器仍然支持detectShadows參數(shù)與apply方法）
修改完成之后，就可以使用KNN背景差分器了，可見(jiàn)修改量非常少。
2.當(dāng)然，此處我們可以使用稍微好點(diǎn)的適應(yīng)于水平細(xì)長(zhǎng)物體的形態(tài)學(xué)核（本例中檢測(cè)的是運(yùn)動(dòng)的汽車(chē)，視頻地址（GitHub,可下載）：traffic.flv），并使用此視頻作為輸入
erode_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 5))
dilate_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (17, 11))
cap = cv2.VideoCapture('E:/traffic.flv')
3.最后一個(gè)小細(xì)節(jié)，我們將掩膜窗口標(biāo)題從“mog”更改為“knn”
cv2.imshow('knn', fg_mask)
到此這篇關(guān)于Python使用背景差分器實(shí)現(xiàn)運(yùn)動(dòng)物體檢測(cè)的文章就介紹到這了,更多相關(guān)Python運(yùn)動(dòng)物體檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
本篇文章主要介紹了Django實(shí)現(xiàn)組合搜索的方法示例，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2018-01-01
Tensorflow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的詳細(xì)代碼
這篇文章主要為大家詳細(xì)介紹了Tensorflow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的詳細(xì)代碼，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-05-05
python識(shí)別圖像并提取文字的實(shí)現(xiàn)方法
這篇文章主要介紹了python識(shí)別圖像并提取文字的實(shí)現(xiàn)方法,2019-06-06
Python定時(shí)執(zhí)行之Timer用法示例
這篇文章主要介紹了Python定時(shí)執(zhí)行之Timer用法,實(shí)例分析了Timer模塊的原理及相關(guān)使用技巧,需要的朋友可以參考下2015-05-05
這篇文章主要給大家介紹了關(guān)于python字符串常規(guī)操作的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-05-05
python調(diào)用有道智云API實(shí)現(xiàn)文件批量翻譯
這篇文章主要介紹了python如何調(diào)用有道智云API實(shí)現(xiàn)文件批量翻譯，幫助大家更好得理解和使用python，感興趣的朋友可以了解下2020-10-10
在本篇內(nèi)容里小編給Python新手整理了關(guān)于python是軟件嗎的相關(guān)知識(shí)點(diǎn)，有興趣的朋友們可以閱讀下。2020-06-06
1分鐘快速生成用于網(wǎng)頁(yè)內(nèi)容提取的xslt
這篇文章主要教大家如何1分鐘快速生成用于網(wǎng)頁(yè)內(nèi)容提取的xslt，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-02-02
使用Python進(jìn)行Ping測(cè)試的操作指南
在網(wǎng)絡(luò)工程中,Ping測(cè)試是一種常用的網(wǎng)絡(luò)診斷工具,用于檢查網(wǎng)絡(luò)連接的可達(dá)性和響應(yīng)時(shí)間,隨著Python編程語(yǔ)言的廣泛應(yīng)用,越來(lái)越多的網(wǎng)絡(luò)工程師開(kāi)始使用Python進(jìn)行自動(dòng)化網(wǎng)絡(luò)測(cè)試和管理任務(wù),本篇文章將詳細(xì)介紹如何使用Python進(jìn)行Ping測(cè)試,需要的朋友可以參考下2024-06-06
Python中魔法參數(shù)?*args?和?**kwargs使用詳細(xì)講解
這篇文章主要介紹了Python中魔法參數(shù)?*args?和?**kwargs使用的相關(guān)資料,*args和**kwargs是Python中實(shí)現(xiàn)函數(shù)參數(shù)可變性的重要工具,分別用于接受任意數(shù)量的位置參數(shù)和關(guān)鍵字參數(shù),文中通過(guò)代碼介紹的非常詳細(xì),需要的朋友可以參考下2024-12-12