基于python的移动物体检测_感兴趣区域的移动物体检测，框出移动物体的轮廓 (固定摄像头, opencv-python)...
感興趣區域、特定區域、框出移動物體的輪廓、越界檢測、入侵物體檢測、使用 opencv-python庫的函數cv2.findContours、cv2.approxPolyDP、cv2.arcLength，利用固定攝像頭拍攝的實時視頻，框出移動物體的輪廓(即FrogEyes蛙眼移動物體偵測)
對移動目標的輪廓的框選，將使用下面這篇文章提及的方法：曾伊言：邊緣檢測，框出物體的輪廓(使用opencv-python的函數cv2.findContours() )?zhuanlan.zhihu.com
移動物體框選結果預覽(即便鏡頭被移動了，它也能夠自己調整回來，方法后面會講)：https://www.zhihu.com/video/997056905654755328
核心代碼預覽(可以先看看我用到了哪些函數，完整版代碼(點擊查看)已上傳到github)：
...
# 差值提取的核心代碼
dif = np.abs(dif - img_back)
gray = cv2.cvtColor(dif, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, self.min_thresh, 255, 0) # 對差值取閾值，和激活函數Relu有點像
thresh = cv2.blur(thresh, (self.thresh_blur, self.thresh_blur)) # 模糊的這個操作是很重要的
...
...
# 計算得出輪廓的核心代碼
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
...
approxs = [cv2.approxPolyDP(cnt, self.min_side_len, True) for cnt in contours]
approxs = [approx for approx in approxs
if len(approx) > self.min_side_num and cv2.arcLength(approx, True) > self.min_poly_len]
contours = approxs
...2018-06-30 初版 Yonv1943
2018-07-02 對RrawROI的注釋方案，即對region_of_interest_pts 的賦值
傳言青蛙蹲在地上不動的時候，將死掉不動的小昆蟲擺放在它的眼前，青蛙也無動于衷。而當某些小昆蟲在青蛙眼前飛來飛去的時候，青蛙會注意到它們，然后將它們吃了。我這個程序也可“注意到”鏡頭拍攝到的移動物體，因此我也將它稱為 FrogEyes。
這是傳統的圖像處理(不涉及深度學習)，所以算法的本質是：對固定攝像頭前后兩幀圖片做差值，得到并框出不同的區域(使用opencv-python 的 cv2.findContours()函數)
因此，該方法只適用于固定鏡頭的移動物體識別，如果拍攝實時圖像的時候鏡頭是移動的，那么此時移動物體的識別就只能交由深度學習去解決了。
不能簡單地對比前后兩幀的圖片如果簡單地對比前后兩幀圖片，那么對圖片做差值，將會得到前后幀圖片中不同的區域，這個區域并不是目標的輪廓
如果目標是純色的，那么對圖片做差值得到的結果，將不能得到目標的完整輪廓左邊是背景圖片，右邊是實時圖片
若將實時圖片與背景圖片做差值，那么將會得到紅色區域
若將實時圖片與先前圖片做差值，那么將會得到黃色區域
實際情況中，當圖片幀率比較高，目標移動速度慢(甚至不移動)，由前后兩幀圖片做對比的算法的黃色區域會非常小。當然可以通過對比更久前的圖片(兩幀差別更大)來得到更大的不同區域，不過，這樣一來，黃色的區域就不是目標的輪廓了，而是目標在兩個時段區域的并集。所以，如果事先保存好背景圖片，那么就可以將實時圖片與背景圖片對比，并得到準確的目標輪廓。代碼的流程圖
簡單地設置背景圖片會來兩個新的問題：若相機視角被移動(比如路過的人不小心碰了一下)，那么實時圖片和背景圖片做差值，將會得到整個畫面，目標檢測失效
若背景發生變化，比如鏡頭中的桌子被移動了，或者環境光突然發生變化，或者有目標進入鏡頭后，賴著不走，etc. 那么鏡頭如實將會一直把這變化為框出來，這不智能
這些都是不更新背景圖片導致的，所以要設置更新背景圖片的策略
下面講流程圖中【對比并有策略地更新背景圖片】的策略：背景圖片更新策略
相關代碼
由邊緣檢測改寫而來的函數，它根據輸入的兩張圖片，返回被檢測出的目標輪廓，如果兩張圖片相似，那么就返回一個空列表 [] ，空列表在Python的邏輯判斷中，是False，方便背景圖片更改的邏輯判斷：
def get_polygon_contours(self, img, img_back):
img = np.copy(img)
dif = np.array(img, dtype=np.int16)
dif = np.abs(dif - img_back)
dif = np.array(dif, dtype=np.uint8) # get different
gray = cv2.cvtColor(dif, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, self.min_thresh, 255, 0)
thresh = cv2.blur(thresh, (self.thresh_blur, self.thresh_blur))
if np.max(thresh) == 0: # have not different
contours = [] # 空列表在Python的邏輯判斷中，是False
else:
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# hulls = [cv2.convexHull(cnt) for cnt, hie in zip(contours, hierarchy[0]) if hie[2] == -1]
# hulls = [hull for hull in hulls if cv2.arcLength(hull, True) > self.min_hull_len]
# contours = hulls
approxs = [cv2.approxPolyDP(cnt, self.min_side_len, True) for cnt in contours]
approxs = [approx for approx in approxs
if len(approx) > self.min_side_num and cv2.arcLength(approx, True) > self.min_poly_len]
contours = approxs
return contours
位于類EdgeDetection 中的 函數main_get_img_show()，執行更換背景的邏輯判斷：
...
contours = self.get_polygon_contours(img, self.img_back) # 這個函數框出并返回目標輪廓
self.img_list.append(img) # 將實時圖片加入歷史圖片隊列
img_prev = self.img_list.pop(0) # 取出最在的歷史圖片
# 兩個邏輯判斷，決定是否更換背景圖片
# 一個是背景圖片微調，即背景與實時相似的時候，更新背景圖片
# 另一個是背景圖片更換，當歷史圖片與實時圖片相似的時候，證明背景已經更改一段時間了，因此更新背景
self.img_back = img \
if not contours or not self.get_polygon_contours(img, img_prev) \
else self.img_back
...
需要明白的Python小技巧——空列表在Python的邏輯判斷中，是False
print("[] is %s" % bool([]))
if []:
print("[] is True")
else:
print("[] is False")
如下，被視為背景的卡片移動了，出現兩個框，一段時間后紅框消失，證明背景圖片被更換，伸入手進行測試，其他功能正常：https://www.zhihu.com/video/997434329294729216
還有一個對目標輪廓的篩選過程——根據輪廓多邊形的邊數、周長進行篩選：
...
# 在 類的初始化中 def __init__(self, img, roi_pts):
self.min_side_len = int(self.img_len0 / 24) # min side len of polygon
self.min_poly_len = int(self.img_len0 / 12)
self.thresh_blur = int(self.img_len0 / 8)
...
# 在 類的函數 get_polygon_contours() 中
approxs = [cv2.approxPolyDP(cnt, self.min_side_len, True) for cnt in contours]
approxs = [approx for approx in approxs
if len(approx) > self.min_side_num and cv2.arcLength(approx, True) > self.min_poly_len]
contours = approxs
...
視頻的前面幾秒，手指在灰色部分，即ROI(Regin of Interest)以外，沒有觸發輪廓框選，進入區域后，出現了一個四邊形將目標框出，而且周長足夠：https://www.zhihu.com/video/997459527129841664
(從這個視頻中還可以看出，我的移動目標輪廓框選算法還是有疏漏的，比如影子也框進去了、手指退出后，還留有錯誤的紅框)
感興趣區域的設定
感興趣區域的設定視頻 ↓https://www.zhihu.com/video/997462804596600832
↑ 視頻中的操作：按退格鍵重新劃定ROI ，鼠標點擊定義多邊形，按enter 確認ROI
應用討論
移動物體識別的這個特性，在固定攝像頭實時視頻偵測的時候比較有用，比如：監控攝像頭，檢測到鏡頭畫面有變化(移動物體出現)的時候，才開啟記錄功能，錄下視頻，避免記錄重復視頻，節省磁盤空間。(即電子蛙眼)
保留前景，過濾掉無關的背景。
比較前后幀像素差異算法的缺點 @朱琦
這種方法受光線變化影響非常大。如果我們只想要檢測闖入感興趣區域的物體，那么這種方法會不可避免地把影子認為是闖入物體。
而深度學習目標檢測可以排除這種影響。因此這種算法最好是和深度學習相結合：使用這種像素差異算法進行低準確率的檢測，然后使用深度學習進行最終的判斷。如：對于畫面長時間持續不動的多個攝像頭，我們使用像素差異算法進行檢測，當檢測到有物體闖入時，程序將異常報給給深度學習卷積網絡，由它進行把關。(這樣子可以減少計算，同時維持判斷精度。例如：車庫車輛檢測，異常闖入檢測)。
用在自動生成訓練集上：(自從2018年數據集逐漸完善、以及半監督算法的發展，以下方法已經過時)
將要識別的物體放在鏡頭前，不斷地移動物體(最好是換不同高度環繞拍攝)，識別出物體輪廓，處理成邊緣羽化的png圖片，然后和其他背景合成大量訓練集(此時可以通過輪廓輸出框選完畢的box，再批量創建label，自動導出成為xml格式，就可以為所欲為了)(可以看我的另外一篇：利用初步訓練的深度學習模型自動生成訓練圖片，包括csv文件、Python字典、TensorFlow目標檢測訓練圖片xml注釋 相互轉換(還沒寫完))
用傳統圖像識別將目標準確框出，并過濾掉背景，傳給目標檢測模型，甚至可以取代目標檢測提取候選框的那一步，將目標檢測的工作，從：生成候選框 → 分類器處理多個候選框，得到類別匹配度信息 →
計算匹配度，篩選出得分高的目標 → 調整對應候選框的位置 →
輸出目標及對應的候選框
簡化為：傳統圖形識別框出待分類的目標移動目標 →
分類器計算目標匹配度，判斷目標類別 →
輸出目標輪廓，以及目標的類別
簡化的內容如下：簡化目標檢測的任務：從“判斷目標位置，確定目標類型”簡化為“判斷目標類型”
處理的圖片變小了：從原來的全圖檢測 縮減為對移動目標對應圖片的檢測
減小背景的影響：框出移動目標輪廓，并刪去背景，減少了影響分類判斷的干擾因素
在縮小了目標檢測應用范圍的情況下(只能用來檢測固定鏡頭的移動物體/入侵物體，用在安防攝像頭上面最好了)，預計這樣子處理可以減少計算量，提高檢測準確率。
用在固定攝像頭實時目標檢測上：(自2018年Mask-RCNN發展成熟后，以下方法已過時)
移動物體框選結果預覽(深度學習結合目標檢測結合(這里用的是Yolo目標檢測)，假裝把segmentation 做出來了)
參考資料：
在評論區指出的問題，我會修改到正文中，并注明貢獻者的名字。
在評論區提出的問題，我可能會嘗試解答，并添加到正文中。
交流可以促進社區與自身成長，歡迎評論，謝謝大家。
總結
以上是生活随笔為你收集整理的基于python的移动物体检测_感兴趣区域的移动物体检测，框出移动物体的轮廓 (固定摄像头, opencv-python)...的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： python给用户打标签_python用
- 下一篇： python求解方程组_python如何