python+openCV利用摄像头实现人员活动检测

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()

开启后动了一下脸,就可以看到输出啦,并且把照片已经保存了下来

效果图在下面,就不暴露帅气的外表了

效果还可以,不动的话不会拍照,如果想让他愚钝点可以调节灵敏度

6.结语

以上是 python+openCV利用摄像头实现人员活动检测 的全部内容, 来源链接: utcz.com/z/354606.html

回到顶部