python+openCV利用摄像头实现人员活动检测

680人浏览 / 0人评论

本文实例为大家分享了python+openCV利用摄像头实现人员活动检测的具体代码，供大家参考，具体内容如下

1.前言

最近在做个机器人比赛，其中一项要求是让机器人实现对是否有人员活动的检测，所以就先拿PC端写一下，准备移植到机器人的树莓派。

2.工具

工具还是简单的python+视觉模块openCV，代码量也比较少。很简单就可以实现

3.人员检测的原理

从图书馆借了一本《特征提取与图像处理（第二版）》，是Mark S.Nixon和Alberto S.Aguado写的，其中讲了跟多关于检测图像运动的方法，我们选取了最简单的一种。

说的很高大上，简单的说一下原理。假设有两帧不同时间采集的图像，检测运动的最简单方法就是计算图像差值。也就是说，通过把亮度值相减可以得到变化或者运动；如果没有发生运动，相减的结果就是0；但如果图像中的目标作出的运动，他们的图像像素亮度值就会发生变化，相减结果是一个非0的值

4.开始

（1）.我们开启摄像头模块还是利用openCV，如下代码即可。我们使用的是笔记本电脑自带的摄像头（树莓派想直接用一个USB摄像头插上而不是用CSI摄像头，这样直接移植代码比较方便）

camera = cv2.VideoCapture(0)

（2）.查看一下camera的尺寸，用以下两个函数

width = int(camera.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT))

（3）.检测轮廓还是需要用灰度图像，不明白的可以看看我以前的文章

gray_pic = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

上一步骤即把图像灰度化

（4）.重点说一下这个FPS的设置，我用以下写法，也是参考了一下别人的代码哈=、=

start = time.time()
"""
xxxxx中间一部分代码省略
"""
 seconds = end - start
 if seconds < 1.0 / fps:
 time.sleep(1.0 / fps - seconds）

（5）.进行一下高斯滤波模糊处理

这里说一下高斯滤波是一种线性平滑滤波，通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。我理解的就是一个卷积的过程。

听着很麻烦但实现很简单

gray_pic = cv2.GaussianBlur(gray_pic, (21, 21), 0)

注意（21,21）中必须是奇数，否则会出错，想具体了解的话有时间单独写一篇关于高斯的文章

（6）.计算两图片的差

img_delta = cv2.absdiff(pre_frame, gray_pic)

（7）.滤波，这个代码的意思是把灰度图中33以下的归为0,33以上的点归为255

thresh = cv2.threshold(img_delta, 30, 255, cv2.THRESH_BINARY)[1]

（8）.利用形态学的腐蚀与膨胀（上篇文章讲过了，有时间详细说一下，网上资料也很多）

thresh = cv2.dilate(thresh, None, iterations=2)

（9）.findContours检测物体的轮廓

image, contours, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

（10）.在while（1）循环中结束摄像头的调用（按Q结束）

大家都在用这种方法，直接Copy就好啦

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

5.附上源代码

import cv2
import time
# 定义摄像头对象，其参数0表示第一个摄像头
camera = cv2.VideoCapture(0)
# 测试用,查看视频size
width = int(camera.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT))
size = width,height
#打印一下分辨率
print(repr(size))
#设置一下帧数和前背景
fps = 5
pre_frame = None
 
while (1):
 start = time.time()
 # 读取视频流
 ret, frame = camera.read()
 # 转灰度图
 gray_pic = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
 
 if not ret:
 print("打开摄像头失败")
 break
 end = time.time()
 
 cv2.imshow("capture", frame)
 
 # 运动检测部分,看看是不是5FPS
 seconds = end - start
 if seconds < 1.0 / fps:
 time.sleep(1.0 / fps - seconds)
 gray_pic = cv2.resize(gray_pic, (480, 480))
 # 用高斯滤波进行模糊处理
 gray_pic = cv2.GaussianBlur(gray_pic, (21, 21), 0)
 
 # 如果没有背景图像就将当前帧当作背景图片
 if pre_frame is None:
 pre_frame = gray_pic
 else:
 # absdiff把两幅图的差的绝对值输出到另一幅图上面来
 img_delta = cv2.absdiff(pre_frame, gray_pic)
 # threshold阈值函数(原图像应该是灰度图,对像素值进行分类的阈值,当像素值高于（有时是小于）阈值时应该被赋予的新的像素值,阈值方法)
 thresh = cv2.threshold(img_delta, 30, 255, cv2.THRESH_BINARY)[1]
 # 用一下腐蚀与膨胀
 thresh = cv2.dilate(thresh, None, iterations=2)
 # findContours检测物体轮廓(寻找轮廓的图像,轮廓的检索模式,轮廓的近似办法)
 image, contours, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
 for c in contours:
  # 设置敏感度
  # contourArea计算轮廓面积
  if cv2.contourArea(c) < 1000:
  continue
  else:
  print("有人员活动！！！")
  # 保存图像
  TI = time.strftime('%Y-%m-%d', time.localtime(time.time()))
  cv2.imwrite("D:\\PYthon\\first_j\\" + "JC"+TI+ '.jpg', frame)
  break
 pre_frame = gray_pic
 
 if cv2.waitKey(1) & 0xFF == ord('q'):
 break
 
# release()释放摄像头
camera.release()
# destroyAllWindows()关闭所有图像窗口
cv2.destroyAllWindows()