OpenCV 运动检测

在本文中，我们将学习如何在 OpenCV 和 Python 的帮助下创建运动检测项目。

使用 OpenCV 和 Python 创建运动检测项目

首先说一下这个项目的需求。显然，第一个要求是安装 Python，我们还需要安装一个名为 opencv 的外部包。

我们需要打开命令提示符并运行此命令以在你的 PC 上安装此软件包。让我们跳到我们的编辑器并开始编写我们的代码。

我们将导入的第一件事是我们需要的库，cv2 和 time，接下来我们将使用 OpenCV 的 VideoCapture() 方法从我们的网络摄像头获取数据。

让我们创建一个名为 Video 的对象，我们必须将 0 传递给 VideoCapture()，因为我们正在为网络摄像头使用 0 通道。

import cv2
import time

Video = cv2.VideoCapture(0)
First_Frame = None

现在我们将创建一个 while True 循环或无限循环，因为我们将提取视频，而视频是图像幻灯片上的连续移动。

现在我们将在 while 循环中定义几条指令，在第一行中，我们将创建两个变量 Check 和 frame，并读取 VideoCapture() 方法提取的数据。在下一条指令中，我们将把这个提取的图像转换成灰度图。

但是为什么我们要把它转换成灰度呢？我们这样做是因为我们想提高特征检测的准确性。

我们使用 cvtColor() 方法来改变灰度并且有两个参数。首先是帧或我们要转换为灰度的图像，然后是 COLOR_BGR2GRAY，它将图像转换为灰度。

现在我们将使图像模糊或平滑，这就是为什么物体检测或物体运动会容易得多的原因。我们使用 GaussianBlur() 方法来应用平滑并将灰度图像、内核大小和 sigma 传递给它。

while True:
    Check, frame = Video.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (21, 21), 0)

我们将创建一个 if 语句来检查帧是否到来，我们这样做是因为我们希望 First_Frame 作为我们的参考帧。

让我们来看看物理学对运动的看法？运动是从一个参考点识别出来的，我们用一个例子来解释这一点。

假设你坐在火车上，对你来说，树木在移动，但它们并没有移动；它们仍然是，但你正在从你的参考点移动。在这种情况下，树是参考点，但在我们的例子中，框架是参考。

我们将 First_Frame 固定为我们的参考框架；如果参考系发生任何变化，那么我们可以说运动存在。

现在我们将设置一个语句，如果 First_Frame 变量为 None（在第一种情况下为 true），那么我们将使 First_Frame 变量等于作为 gray 变量的灰度图像。

if First_Frame is None:
    First_Frame = gray
    continue

我们将使用 absdiff() 方法来查找帧之间的差异。让我们创建一个增量帧变量并将两个参数传递给 absdiff() 方法进行比较。

我们需要设置一个阈值或限制，我们希望检测到运动，因为我们不希望噪声被检测为运动。

为此，我们使用 threshold() 方法，它有几个参数，第一个是 delta_frame，第二个是强度，第三个是颜色阴影，在这种情况下是白色，然后是下一个是 THRESH_BINARY，因为它是一个元组，所以我们需要选择第一个元素。

我们还需要在下一条指令中再应用一个平滑层。为此，我们需要使用另一个称为 dilate() 的平滑函数，它接受三个参数，第一个是 threshold，第二个是 None，第三个参数是 iterations。

iterations 参数定义了平滑的精确度；如果你增加此参数值，你的程序也会捕获噪声。

这次我们将创建轮廓，那么轮廓是什么？轮廓是运动发生的点。

如果框架静止并且手在移动，那么手的部分就是轮廓。

findContours() 方法有助于查找轮廓，它接受三个参数，第一个是帧，我们使用 copy() 方法创建帧数组的副本。

delta_frame = cv2.absdiff(First_Frame, gray)
Threshold_frame = cv2.threshold(delta_frame, 50, 255, cv2.THRESH_BINARY)[1]
Threshold_frame = cv2.dilate(Threshold_frame, None, iterations=2)
(cntr, _) = cv2.findContours(
    Threshold_frame.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)

现在我们将通过迭代获得轮廓并将近似区域定义为运动。如果我们不定义区域，我们将得到一个非常嘈杂的运动检测。

首先我们会检查，如果轮廓区域小于一千，那么我们不认为这是一个运动区域，我们会继续迭代，如果大于一千，那么我们就画一个三角形。

for contour in cntr:
    if cv2.contourArea(contour) < 1000:
        continue

findContours() 方法给出了四个值（x、y、高度、宽度），我们将使用 boundingRect() 方法提取这些点，该方法将绑定矩形的区域。现在我们将在 rectangle() 方法的帮助下创建矩形。

第一个参数是我们要在其上绘制矩形的 frame 或图像。接下来是 (x,y) 坐标点，接下来是高度和宽度，接下来是边框的颜色，最后一个参数是选择画矩形的笔的大小。

(x, y, w, h) = cv2.boundingRect(contour)
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3)

完整的源代码：

import cv2
import time

Video = cv2.VideoCapture(0)
First_Frame = None

while True:
    Check, frame = Video.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (21, 21), 0)
    if First_Frame is None:
        First_Frame = gray
        continue
    delta_frame = cv2.absdiff(First_Frame, gray)
    Threshold_frame = cv2.threshold(delta_frame, 50, 255, cv2.THRESH_BINARY)[1]
    Threshold_frame = cv2.dilate(Threshold_frame, None, iterations=2)
    (cntr, _) = cv2.findContours(
        Threshold_frame.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
    )
    for contour in cntr:
        if cv2.contourArea(contour) < 1000:
            continue
        (x, y, w, h) = cv2.boundingRect(contour)
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3)
    cv2.imshow("Frame", frame)
    Key = cv2.waitKey(1)
    if Key == ord("q"):
        break

Video.release()
cv2.destroyAllWindows()

现在我们可以看到运动检测发生在手移动时。