opencv檢測動態(tài)物體的實現(xiàn)方法

這篇文章主要介紹“opencv檢測動態(tài)物體的實現(xiàn)方法”，在日常操作中，相信很多人在opencv檢測動態(tài)物體的實現(xiàn)方法問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”opencv檢測動態(tài)物體的實現(xiàn)方法”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

之前我在超市看到當有物體經過時，監(jiān)控的屏幕邊緣會出現(xiàn)綠框。感覺蠻有意思的。來用opencv試試能不能實現(xiàn)類似的效果。

??我采用的檢測動態(tài)物體的方法是，比較前后兩幀圖像，即當前畫面與上一幀的畫面出現(xiàn)了不同。我們把兩幀畫面進行比較。然后框選出運動的物體。我們還希望程序可以判斷當前窗口到底有沒有物體在運動。那么我們就需要添加一個狀態(tài)。為了方便我們找到什么時間有物體移動，我打印出時間。

??當我們的程序檢測到移動的物體時，會捕捉到它的輪廓，添加一個外接整矩形框，返回x,y的坐標。當不返回坐標時，則意味著沒有物體運動，我們通過坐標值來是否有物體移動。并打印出當時的本地時間。

??源代碼：

import cv2
import time
import numpy as np

def videos():
    cap = cv2.VideoCapture(1)
    #不設置是默認640*480，我們這里設置出來
    cap.set(3, 640)
    cap.set(4, 480)

    img_num = 0
    k = np.ones((3, 3), np.uint8)

    while True:
        success, img = cap.read()
        localtime = time.asctime(time.localtime(time.time()))

        if not img_num:
            # 這里是由于第一幀圖片沒有前一幀
            previous = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        gray_diff = cv2.absdiff(gray, previous)  # 計算絕對值差
        # previous 是上一幀圖片的灰度圖

        thresh = cv2.threshold(gray_diff, 40, 255, cv2.THRESH_BINARY)[1]
        mask = cv2.medianBlur(thresh, 3)

        close = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, k)

        cnts = cv2.findContours(close,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)[0]
        for c in cnts:
            area = cv2.contourArea(c)
            if area > 50:
                x, y, w, h = cv2.boundingRect(c)
                cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

                if x>0:
                    print("動",localtime)

        cv2.putText(img, localtime, (30, 30), cv2.FONT_HERSHEY_COMPLEX, 0.7, (0, 0, 255), 2)
        cv2.imshow("x", close)
        cv2.imshow("Result", img)
        img_num += 1

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

videos()

??靜：

??動：

??當有物體經過窗口時，控制臺打印出了時間。這樣便于我們在錄制好的視頻內查找。

?

?為了方便，我在窗口左上角加入了時間和日期。

**注意!**必須把
localtime = time.asctime(time.localtime(time.time()))
放入主循環(huán)內，否則只返回調用的一瞬間的本地時間，不會程序持續(xù)。
也不可以使用time.sleep()來控制時間變化，這會影響我們視頻的幀率

??這個方法的弊端是當環(huán)境光線亮度變化過大時，返回的輪廓會產生變化，導致程序判斷整個屏幕都在運動，這點仍需改進。

到此，關于“opencv檢測動態(tài)物體的實現(xiàn)方法”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續(xù)學習更多相關知識，請繼續(xù)關注億速云網站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>