怎樣使用網絡攝像頭和Python中的OpenCV構建運動檢測器

本篇文章給大家分享的是有關怎樣使用網絡攝像頭和Python中的OpenCV構建運動檢測器，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

運動檢測是指檢測物體相對于周圍環境的位置是否發生了變化。接下來，讓我們一起使用Python實現一個運動檢測器應用程序吧！

該運動檢測器可以完成以下任務：

1）在家工作時在屏幕前查找時間

2） 監控孩子在屏幕前的時間

3） 在你的后院發現非法侵入

4） 在你的房間/房子/小巷周圍找到不需要的公共/動物活動……。

想要實現該運動檢測器程序我們需要具備以下條件：

1）硬件要求：裝有網絡攝像機或任何類型攝像機的計算機。

2）軟件需求：Pyhton3或者更高版本。

3）附加要求：對運動檢測有一定的興趣。

接下來我們將一步步的完成該應用程序的構建。

首先，我們將通過網絡攝像頭捕獲第一幀，并將它視為基準幀，如下圖所示。通過計算該基準幀中的對象與新幀對象之間的相位差來檢測運動。我們也將得到的結果稱為Delta幀。

接下來，我們將使用像素強度來優化Delta幀，優化后的幀稱為閾值幀。并且，我們將應用一些復雜的圖像處理技術，例如陰影消除、擴張輪廓等，以完成在閾值幀上提取對象物體。以下是您要實現的目標：

被探測對象

當這個對象進入幀和退出幀時，我們能夠很容易的捕獲這兩幀的時間戳。因此，將能夠準確的在視頻中找到相關片段。

我們希望小伙伴都能自己實現這個程序，因此我們就不直接嵌入代碼了。

從最基本的安裝開始，我們需要安裝Python3或更高版本，并使用pip安裝pandas和OpenCV這兩個庫。這些工作做好，我們的準備工作就完成了。

第一步：導入需要的庫：

第二步：初始化變量，列表，data frame：

在下面的代碼中，我們將會了解到在什么時候需要使用上面涉及到的每一項。

第三步：使用網絡攝像機捕獲視頻幀：

在OpenCV中有能夠打開相機并捕獲視頻幀的內置函數。其中輸入參數“0”表示計算機硬件端口號為0的攝像機。如果我們擁有了多個攝像頭或閉路電視等設置，可以通過該參數提供相應的端口號。

第四步：將捕捉到的幀轉換為灰度圖像，并應用高斯模糊去除噪聲：

由于彩色圖片中每個像素均具有三個顏色通道，實際上我們并不需要使用這么多的信息，因此首先將彩色幀轉換成灰度幀。再利用高斯模糊對圖像進行平滑處理，進而提高檢測精度。在高斯模糊函數中，我們利用第2個參數定義了高斯核的寬度和高度；利用第3個參數，定義了標準偏差值。在這里我們可以使用核大小為（21,21），標準偏差為0的標準值。想要了解有關高斯平滑的更多信息，請參考：

Smoothing Images - OpenCV 2.4.13.7 documentation In an analogous way as the Gaussian filter, the bilateral filter also considers the neighboring pixels with weights…

docs.opencv.org

第五步：捕獲第一個灰度幀

第一幀是整個處理過程中的基準幀。通過計算此基準幀與新幀之間特定對象的相位差來檢測運動。在拍攝第一幀時，特定對象相機前不應有任何移動。但是得到的第一幀并不需要后續處理，因此我們可以用continue語句跳過后續過程。

第六步：創建Delta幀和閾值幀

現在，我們需要找出第一幀和當前幀之間的區別。因此，我們使用absdiff函數并將得到的結果稱為delta幀。對于我們的用例來說，僅僅找到一個差異是不夠的，所以我們需要定義一個像素閾值，它可以被視為真實的對象。

我們可以選擇30像素作為標準閾值，并將標準閾值的顏色定義為白色（顏色代碼：255). 二元閾值函數THRESH_BINARY返回一個元組值，其中只有第二項（[0]是第一項，[1]是第二項）包含生成的閾值幀。二元閾值函數用于處理含有2個離散值的非連續函數：如0或1。如果攝影機前面沒有對象，我們將當前幀的狀態視為0；如果攝影機前面存在對象，則將當前幀的狀態視為1。

更多閾值圖像處理相關知識，請參考：

Miscellaneous Image Transformations - OpenCV 2.4.13.7 documentation Performs a marker-based image segmentation using the watershed algorithm. The function implements one of the variants…

docs.opencv.org

第七步：膨脹閾值幀并在其中找到輪廓像素

“我們的眼睛總是被光線吸引，但陰影處有更多內容。”—格雷戈里·馬奎爾

對象的每個部分都會在背景或自身的其他部分留下一定的陰影。這似乎總是讓我們感到很困惑。例如，鼻子投射在嘴唇上的陰影，較大的靜止物體在旁邊的小物體上投射的陰影。飄動的光源，不同發光強度的多個光源，你房間的窗簾，光源的方向和視角等等都會對陰影造成一定的影響。

以下是在實時捕獲的幀中發現的一些干擾。因此，為了使這些噪聲最小化，我們需要對圖像進行濾波。在膨脹函數Dilate中，我們可以通過設置迭代次數來設置平滑度。迭代次數越多，平滑度越高，處理時間也就越長。因此，建議保持標準化設置為3。膨脹函數中的“None”參數表示我們的應用中不需要元素結構。

關于膨脹的更多知識，你可以參考：

Image Filtering - OpenCV 2.4.13.7 documentation Functions and classes described in this section are used to perform various linear or non-linear filtering operations…

docs.opencv.org

完成過濾以后，我們需要在該幀中找到對象輪廓。我們用當前幀中的輪廓來識別對象的大小和位置。為了實現這一點，我們將該幀的一個副本傳遞到findCounters方法中，使用這個副本來查找輪廓。使用副本的原因是，我們不希望輪廓識別影響到原始過濾幀。

這里有個麻煩，因為我們必須將輪廓存儲在一個元組中，并且只需要使用該元組的第一個值。請參閱Python3中聲明元組的語法：（name，_）。

現在，我們只需要在過濾層上找到對象的外部輪廓。對于我們的用例來說，除了極端外部輪廓以外的其他輪廓都是無用的。因此我們必須使用一些近似方法來優化輪廓的提取過程。例如使用曲線近似或曲線插值，也可以使用簡單鏈近似規則，即壓縮水平、垂直和對角線線段，只保留其端點。因此，我們能夠很快得到最佳擬合輪廓。

第八步：找到輪廓區域，并在矩形中形成端點：

實際上我們并不想捕捉像昆蟲這樣的小物體，而是要捕捉像人或動物這樣的大物體。因此我們采用輪廓區域的概念，即跳過那些面積小于10000像素的對象。對于大于此區域的輪廓，我們將狀態設置為1，即檢測到對象。

想知道關于圖像處理中的輪廓，可以參考：

Structural Analysis and Shape Descriptors - OpenCV 2.4.13.7 documentation Draws contours outlines or filled contours. The function draws contour outlines in the image if or fills the area…

docs.opencv.org

現在我們使用boundingRect函數捕捉輪廓的坐標。然后，我們使用這些坐標在彩色幀上繪制一個特定顏色、特定厚度的矩形。此矩形描述了實際檢測到的對象。

第九步：捕獲對象進入幀（場景）和退出幀（場景）時的時間戳

“狀態”列表status_list存儲值0：代表未檢測到對象，1：代表檢測到對象。此狀態值從0更改為1的時刻就是對象進入幀的那一時刻。同樣，此狀態值從1變為0的時刻就是對象從幀中消失的那一時刻。因此，我們從狀態列表的最后兩個值可以獲得這兩個切換事件的時間戳。

第十步：顯示所有不同的畫面（幀）

使用imshow（）方法，我們將在一個獨立的窗口中顯示每個幀并進行比較。

我們使用waitKey函數來延遲進程，直到按下某個鍵。在這里，我們使用waitKey（1）從攝像機獲得連續的實時反饋。想停止拍攝視頻時，只需按鍵盤上的“Q”鍵即可。

我們同時需要在按下“Q”的同時捕獲最后一個時間戳，因為這將幫助程序結束從攝像機捕獲視頻的過程，并生成時間數據。

下面是使用該應用程序生成的實際圖像輸出。第一個圖像表示基準幀的4個幀類型，第二個圖像表示帶有對象的幀的4種類型的幀。你能比較一下區別嗎？

Baseline First Frame

Frame with a detected object

第十一步：生成時間數據

到目前為止，所有的時間戳都存儲在pandas的data-frame變量中。為了從生成的數據中獲得更多信息，我們將把data-frame變量導出到本地磁盤的csv文件中。

請不要忘記釋放視頻變量，因為它在內存中占用了不少空間。同時銷毀所有窗口以避免出現不必要的錯誤

這就是生成的csv的樣子。正如我們所看到的那樣，在程序結束之前，這個對象已經被檢測了3次。您可以查看開始時間和結束時間，并計算對象在攝影機前面的時間。

這個應用程序還不夠令人興奮嗎？這個應用程序是不是遠離了典型的無聊編程？物聯網愛好者甚至可以把這個程序部署到樹莓派服務器Raspberry Pi上，并創造奇跡！

以上就是怎樣使用網絡攝像頭和Python中的OpenCV構建運動檢測器，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。