基于OpenCV实战：动态物体检测_OpenCV实战

最近，闭路电视安全系统运行着多种算法来确保安全，例如面部识别，物体检测，盗窃检测，火灾警报等。我们在运动检测的基础上实现了许多算法，因为在空闲帧上运行所有这些进程没有任何意义。在本文中，我们将讨论实现基于运动检测的视频保存。

 

安装依赖库
  •  
OpenCV：pip install opencv-python
  基本动作检测在这里，我们将讨论代码和对如何在后台工作的基本理解。在计算机视觉中，我们把运动看作是环境的变化。为了计算转换，我们必须有一个背景图像来比较。所以，我们在程序的开头保存第一个图像。
  •  
# Converting the image to GrayScalegray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)gray = cv2.GaussianBlur(gray,(21,21),0)# Saving the First Frameif first_frame is None:    first_frame = gray    continue

然后，我们将后续帧与保存的第一帧进行比较，以观察差异。计算完差异后，我们可以应用阈值将其转换为黑白图像。

  •  
#Calculates difference to detect motiondelta_frame = cv2.absdiff(first_frame, gray)#Applies Threshold and converts it to black & white imagethresh_delta = cv2.threshold(delta_frame, 30, 255, cv2.THRESH_BINARY)[1]thresh_delta = cv2.dilate(thresh_delta, None, iterations=0)#finding contours on the white portion(made by the threshold)cnts,_ = cv2.findContours(thresh_delta.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

最后一个命令在该黑白图像中查找轮廓，并给出用于创建边界框的坐标，如上面的视频所示。使用运动检测的好处：

  1. 它不会保存无用的空闲镜头。因此，减少了其他算法的工作量，因为不会保存空闲帧进行处理。

  2. 它需要较少的计算，并且适合实时实施。

  阻碍与解决方案

 

给定的因素导致轮廓检测不理想，运动检测的幼稚方法会在执行开始时为所有比较保存第一帧。不好有几个原因：

  • 白天的照明条件可能会改变。

  • 天气变化。

  • 执行时相机被遮挡。

解决方案：在没有运动的情况下，可以通过定期定期更新保存的帧来轻松解决此问题。

  •  
# Number of idle frames to pass before changing the saved frame # for further comparisionsFRAMES_TO_PERSIST = 1000

然后将其放在while循环中：

  •  
#increment delay counter for every idle framedelay_counter += 1#Update the saved first frameif delay_counter > FRAMES_TO_PERSIST:    delay_counter = 0    first_frame = next_frame

 

当检测到运动时，将delay_counter设置为零，微小的物体（例如蜜蜂和昆虫）和通常不必要的轻微不必要的运动被存储起来。解决方案：如片段所示，我们应该在该区域设置一个阈值。

  •  
# Minimum boxed area(in pixels) for a detected motion to count as actual motion# Use to filter out noise or small objectsMIN_SIZE_FOR_MOVEMENT = 2000

然后在while循环中放置一个if语句：

  •  
#Checks if the area is big enough to be considered as motion.if cv2.contourArea(c) > MIN_SIZE_FOR_MOVEMENT:    #Your code
  各种平台上的基准:

 

所有这些都是针对同一视频（30-fps，1280x720）计算的。

Raspberry Pi 2：

  • 规格
  • 1.5 GHz处理器
  • 1 GB内存
  • 没有GPU
  • FPS：每秒8.08帧

Jetson Nano：

  • 规格
  • 四核ARM处理器1.43Ghz
  • 2 Gb内存
  • GPU：128核心Nvidia Maxwell
  • FPS：每秒33帧

个人电脑 ：

  • 规格
  • i7第八代处理器
  • 16 GB内存
  • GTX 1060 6 GB GPU
  • FPS：每秒37帧
  潜在应用：

智能铃：

如果有人站在您家门口，它将自动触发铃声，并向您发送提示。

 

潜在威胁警报：

如果有人站在您家门前的时间长于正常时间，它将提醒您。

  结论

 

在本文中，我们实现了一个非常基本但重要的算法，可用于有效运行所有其他算法。可以对该运动检测算法进行更多修改，以使其更加健壮。

 

 

 

基于OpenCV实战：动态物体检测_OpenCV实战_02