社区首页 >专栏 >使用 OpenCV 快速检测、跟踪移动物体

使用 OpenCV 快速检测、跟踪移动物体

小白学视觉

发布于 2024-12-24 10:39:38

35101

代码可运行

文章被收录于专栏：深度学习和计算机视觉深度学习和计算机视觉

运行总次数：1

代码可运行

本文关键词：OpenCV、Python、背景减除器、KNN、MOG2、目标检测与追踪

想象一下，你用手机拍摄视频，按下一个按钮，相机就开始录制视频。在幕后，手机相机非常快速地捕捉图像，当你观看视频时，你看到的是一幅接一幅的图像，但你没注意到，因为这个过程发生得非常快。一秒钟内，你的手机显示了30多幅图像。如果你比较这些图像并找到它们之间的差异，你就可以检测到移动物体，这正是背景减除器的工作原理。

使用背景减除器检测和追踪鸟类

在本文中，我将解释背景减除器的工作原理、不同类型的背景减除器以及如何使用 OpenCV 在 Python 中使用它们。

检测移动物体的方法

1. 基本运动检测

第一种方法也是最直观的方法是计算帧与帧之间，或一个被认为是“背景”的帧和所有其他帧之间的差异。这个想法在最高层次上相当简单：首先，保存第一帧。保存后，将其与新帧进行比较。通过逐像素比较，简单地从两幅图像中减去。通过这种方式，你将获得移动物体。

这种技术实现起来相当快，但并不适合应用，因为你需要将默认帧设置为背景，而背景在你的应用中可能不会保持恒定。

想象一下，你正在检测汽车。设置一个默认背景并不会有效，因为汽车在不断移动，一切都在变化。光线在变化，物体在移动。例如，你将第一帧设置为背景图像，背景图像中有3辆汽车，但仅仅一秒钟后，它们就不会再存在，因为它们在移动。因此，背景图像变得不准确，因为一切都在迅速变化。因此，算法不会很准确，特别是在环境快速变化的情况下。

看看图像；算法是工作的，但不是很准确。看看左边的图像；有一些无意义的区域。那是因为在视频中，背景几乎每秒钟都在变化，但在算法中，背景是恒定的。

左边的图像显示了默认背景帧和当前帧之间的差异，而右边的图像显示了带有边界框的当前帧

我想你已经理解了基本运动检测的主要思想。根据你的期望，它可能有用。如果你不期望高精度，你可以考虑使用它。为了解决我上面讨论的问题，背景减除器开始发挥作用。现在是时候谈谈背景减除和减除器了。

2. 背景减除

背景减除是计算机视觉中的一项基本技术，用于在视频流中将移动物体从背景中隔离出来。通过将视频中的每一帧与背景模型进行比较，可以识别出显著差异的区域作为潜在的前景物体。然后，这个前景信息可以用于各种目的，包括目标检测和追踪。背景减除通常是许多目标追踪和检测算法中的关键步骤。

在背景减除中，背景图像不是恒定的；由于光线变化、物体移动和场景动态等各种因素，它会随着时间变化。背景减除算法的目标是适应性地建模和更新背景，以在变化的环境中准确检测前景物体。通过这种方式，背景问题得到了解决。

在 OpenCV 中，背景减除器可以检测阴影，并且通过阈值处理，它们可以从减除器检测到的物体中排除阴影。这确实是准确检测物体的一个非常重要的特性，因为未识别的阴影区域可能被减除器错误地解释为单独的移动物体，这是不可取的。

使用 OpenCV 中的背景减除器

Opencv 有几种不同的背景减除器。我将使用其中两个最著名的减除器：

K-最近邻 (KNN)
高斯混合 (MOG2)

我将只解释 MOG2 如何进行背景减除，但我将使用这两种方法来检测和追踪视频。

下面是 MOG2 如何进行背景减除的：

初始化：初始化 K 个高斯分布的混合，以模拟场景的背景。每个像素的背景模型由高斯混合表示，K 是一个预定义的参数。
适应：随着时间的推移，更新每个像素的背景模型，调整高斯分布的参数以适应场景的变化。
前景检测：根据高斯混合模型计算每个像素属于背景的概率。概率低的像素被分类为前景。
更新背景：对于被分类为背景的像素，更新高斯分布以纳入新的观察结果并适应场景的变化
后处理：应用形态学操作（腐蚀、膨胀..）或其他技术来细化前景掩码并去除噪声。

代码 / 检测和追踪移动物体

在代码中，我已经解释了大部分过程，但理解它的最佳方式是复制代码并使用 cv2.imshow 函数观察每个操作后的每一帧。

Subtraction

Threshold

Dilation

# import libraries
import cv2
import numpy as np

# KNN
KNN_subtractor = cv2.createBackgroundSubtractorKNN(detectShadows = True) # detectShadows=True : exclude shadow areas from the objects you detected

# MOG2
MOG2_subtractor = cv2.createBackgroundSubtractorMOG2(detectShadows = True) # exclude shadow areas from the objects you detected

# choose your subtractor
bg_subtractor=MOG2_subtractor

camera = cv2.VideoCapture("resources/run.mp4")

while True:
    ret, frame = camera.read()

    # Every frame is used both for calculating the foreground mask and for updating the background. 
    foreground_mask = bg_subtractor.apply(frame)

    # threshold if it is bigger than 240 pixel is equal to 255 if smaller pixel is equal to 0
    # create binary image , it contains only white and black pixels
    ret , treshold = cv2.threshold(foreground_mask.copy(), 120, 255,cv2.THRESH_BINARY)
    
    #  dilation expands or thickens regions of interest in an image.
    dilated = cv2.dilate(treshold,cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3)),iterations = 2)
    
     # find contours 
    contours, hier = cv2.findContours(dilated,cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    # check every contour if are exceed certain value draw bounding boxes
    for contour in contours:
        # if area exceed certain value then draw bounding boxes
        if cv2.contourArea(contour) > 50:
            (x,y,w,h) = cv2.boundingRect(contour)
            cv2.rectangle(frame, (x,y), (x+w, y+h), (255, 255, 0), 2)

    cv2.imshow("Subtractor", foreground_mask)
    cv2.imshow("threshold", treshold)
    cv2.imshow("detection", frame)
    
    if cv2.waitKey(30) & 0xff == 27:
        break
        
camera.release()
cv2.destroyAllWindows()