【Python+OpenCV】目标跟踪-实现基本的运动检测

目标跟踪是对摄像头视频中的移动目标进行定位的过程，有着非常广泛的应用。实时目标跟踪是许多计算机视觉应用的重要任务，如监控、基于感知的用户界面、增强现实、基于对象的视频压缩以及辅助驾驶等。

有很多实现视频目标跟踪的方法，当跟踪所有移动目标时，帧之间的差异会变的有用；当跟踪视频中移动的手时，基于皮肤颜色的均值漂移方法是最好的解决方案；当知道跟踪对象的一方面时，模板匹配是不错的技术。

本文代码是做一个基本的运动检测

考虑的是“背景帧”与其它帧之间的差异
这种方法检测结果还是挺不错的，但是需要提前设置背景帧，如果是在室外，光线的变化就会引起误检测，还是很有局限性的。

import cv2import numpy as npcamera = cv2.VideoCapture(0) # 参数0表示第一个摄像头# 判断视频是否打开if (camera.isOpened()):    print('Open')else:    print('摄像头未打开')# 测试用,查看视频sizesize = (int(camera.get(cv2.CAP_PROP_FRAME_WIDTH)),        int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT)))print('size:'+repr(size))es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 4))kernel = np.ones((5, 5), np.uint8)background = Nonewhile True:    # 读取视频流    grabbed, frame_lwpCV = camera.read()    # 对帧进行预处理，先转灰度图，再进行高斯滤波。    # 用高斯滤波进行模糊处理，进行处理的原因：每个输入的视频都会因自然震动、光照变化或者摄像头本身等原因而产生噪声。对噪声进行平滑是为了避免在运动和跟踪时将其检测出来。    gray_lwpCV = cv2.cvtColor(frame_lwpCV, cv2.COLOR_BGR2GRAY)    gray_lwpCV = cv2.GaussianBlur(gray_lwpCV, (21, 21), 0)    # 将第一帧设置为整个输入的背景    if background is None:        background = gray_lwpCV        continue    # 对于每个从背景之后读取的帧都会计算其与北京之间的差异，并得到一个差分图（different map）。    # 还需要应用阈值来得到一幅黑白图像，并通过下面代码来膨胀（dilate）图像，从而对孔（hole）和缺陷（imperfection）进行归一化处理    diff = cv2.absdiff(background, gray_lwpCV)    diff = cv2.threshold(diff, 25, 255, cv2.THRESH_BINARY)[1] # 二值化阈值处理    diff = cv2.dilate(diff, es, iterations=2) # 形态学膨胀    # 显示矩形框    image, contours, hierarchy = cv2.findContours(diff.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 该函数计算一幅图像中目标的轮廓    for c in contours:        if cv2.contourArea(c) < 1500: # 对于矩形区域，只显示大于给定阈值的轮廓，所以一些微小的变化不会显示。对于光照不变和噪声低的摄像头可不设定轮廓最小尺寸的阈值            continue        (x, y, w, h) = cv2.boundingRect(c) # 该函数计算矩形的边界框        cv2.rectangle(frame_lwpCV, (x, y), (x+w, y+h), (0, 255, 0), 2)    cv2.imshow('contours', frame_lwpCV)    cv2.imshow('dis', diff)    key = cv2.waitKey(1) & 0xFF    # 按'q'健退出循环    if key == ord('q'):        break# When everything done, release the capturecamera.release()cv2.destroyAllWindows()