Opencv 实战（二）行人检测

详细资料在这
基于混合高斯模型的背景建模和运动目标检测。以下是算法流程的总结：

导入必要的库，包括NumPy和OpenCV。

打开视频文件并创建一个BackgroundSubtractorMOG2对象（混合高斯模型）来进行背景建模和运动目标检测。

使用while循环从视频中读取帧。对于每一帧，应用BackgroundSubtractorMOG2对象来提取前景掩码（即运动目标）。

使用形态学开运算来去除前景掩码中的噪点。

使用cv2.findContours函数寻找前景掩码中的轮廓。

针对每个轮廓，计算其周长。

如果轮廓的周长大于阈值188（可能根据具体情况调整），则认为该轮廓代表一个运动目标。找到轮廓的外接矩形并在原始图像上绘制该矩形。

在图像上显示原始图像以及前景掩码，即检测到的运动目标。

持续处理视频的每一帧，直到按下键盘上的Esc键，此时退出循环，释放视频并关闭所有窗口。

综上所述，该算法通过背景建模和运动目标检测，能够在视频中实时识别运动目标并用绿色矩形框标记出来。这是一种简单有效的基于背景建模的目标检测方法，适用于一些简单的场景和应用。在实际应用中，可能需要根据具体需求进行参数调整和算法优化，以达到更好的效果。

import numpy as np
import cv2

#输入测试视频
cap = cv2.VideoCapture('test.avi')
#形态学操作需要使用
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
#创建混合高斯模型用于背景建模
fgbg = cv2.createBackgroundSubtractorMOG2()

while(True):
    ret, frame = cap.read()
    fgmask = fgbg.apply(frame)
    #形态学开运算去噪点
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
    #寻找视频中的轮廓
    im, contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    for c in contours:
        #计算各轮廓的周长
        perimeter = cv2.arcLength(c,True)
        if perimeter > 188:
            #找到一个直矩形（不会旋转）
            x,y,w,h = cv2.boundingRect(c)
            #画出这个矩形
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)

    cv2.imshow('frame',frame)
    cv2.imshow('fgmask', fgmask)
    k = cv2.waitKey(150) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()

放张图