使用opencv结合帧差法和背景减法 检测场景异常情况

这篇具有很好参考价值的文章主要介绍了使用opencv结合帧差法和背景减法 检测场景异常情况。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、帧差法检测异常

帧差法是一种简单的背景减法技术,用于检测当前帧和背景帧之间的差异。以下是使用OpenCV实现帧差法的Python代码示例:

import cv2

# 读取背景图像(背景应该是静止的)
background = cv2.imread('background.jpg', 0)

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取当前帧
    ret, frame = cap.read()
    
    if not ret:
        break

    # 将当前帧转为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 计算当前帧与背景的差异
    diff = cv2.absdiff(gray, background)

    # 设置一个阈值,根据阈值判断差异区域
    _, threshold = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)

    # 执行形态学操作,去除噪声
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    threshold = cv2.morphologyEx(threshold, cv2.MORPH_OPEN, kernel)

    # 查找轮廓
    contours, _ = cv2.findContours(threshold, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # 绘制检测到的轮廓
    for contour in contours:
        if cv2.contourArea(contour) > 1000:  # 设置一个面积阈值来排除小的轮廓
            x, y, w, h = cv2.boundingRect(contour)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

    # 显示结果
    cv2.imshow('Frame', frame)

    if cv2.waitKey(1) & 0xFF == 27:  # 按Esc键退出
        break

cap.release()
cv2.destroyAllWindows()

用于检测是否下雨,漏水等情况。

二 截取摄像头3秒的时间,然后用帧差法

要截取摄像头的3秒时间并使用帧差法进行动态背景差异检测,你可以使用OpenCV库来完成这项任务。首先,你需要设置一个计时器,以便捕获3秒的视频。然后,你可以应用帧差法来检测背景变化。

import cv2

# 打开摄像头
cap = cv2.VideoCapture(0)

# 获取摄像头的帧速率
frame_rate = int(cap.get(5))

# 计时器(3秒)
duration = 3  # 3秒
frames_to_capture = frame_rate * duration

# 初始化背景
background = None

# 计数器
frame_count = 0

while True:
    ret, frame = cap.read()

    if not ret:
        break

    if frame_count < frames_to_capture:
        # 累积前景图像,以用于帧差法
        if background is None:
            background = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        else:
            current_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
            cv2.accumulateWeighted(current_frame, background, 0.5)
            background = cv2.convertScaleAbs(background)

        frame_count += 1
    else:
        # 3秒时间结束,开始使用帧差法检测背景变化
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        diff = cv2.absdiff(background, gray)

        _, threshold = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)

        kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
        threshold = cv2.morphologyEx(threshold, cv2.MORPH_OPEN, kernel)

        contours, _ = cv2.findContours(threshold, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        for contour in contours:
            if cv2.contourArea(contour) > 1000:
                x, y, w, h = cv2.boundingRect(contour)
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        cv2.imshow('Motion Detection', frame)

        if cv2.waitKey(1) & 0xFF == 27:
            break

cap.release()
cv2.destroyAllWindows()

这个代码会首先捕获3秒的视频作为背景,然后在3秒结束后应用帧差法来检测背景变化。检测到的背景变化会用绿色矩形框标记出来。你可以根据需要进行参数调整,以获取最佳的检测效果。

三、背景减法

背景减法 (Background Subtraction) 是一种常用于视频分析和物体跟踪的技术。它可以用来检测视频中的移动对象,并提取它们与背景的差异。以下是一个使用OpenCV库实现背景减法的Python示例代码:

import cv2

# 打开视频文件或摄像头
cap = cv2.VideoCapture('your_video.mp4')  # 替换为你的视频文件路径或0来使用摄像头

# 创建背景减法器
fgbg = cv2.createBackgroundSubtractorMOG2()

while True:
    ret, frame = cap.read()

    if not ret:
        break

    # 应用背景减法器
    fgmask = fgbg.apply(frame)

    # 反转前景掩码,以便提取前景对象
    fgmask = cv2.bitwise_not(fgmask)

    # 获取前景对象
    result = cv2.bitwise_and(frame, frame, mask=fgmask)

    cv2.imshow('Original', frame)
    cv2.imshow('Foreground', result)

    if cv2.waitKey(30) & 0xFF == 27:  # 按Esc键退出
        break

cap.release()
cv2.destroyAllWindows()

四、OpenCV 其他方法

OpenCV 中有几种方法可以检测静止画面中的异常情况,尤其是检测是否有异物进入视角。以下是一些常用的方法:

  1. 帧差法 (Frame Difference Method):这是一种简单的背景减法技术,通过比较当前帧和背景帧的差异来检测移动对象。如果差异超过某个阈值,就可以认为有异物进入视角。

  2. 背景减法 (Background Subtraction):这是一种更复杂的方法,它会建立一个背景模型,并检测与该模型不匹配的区域。如果某个区域在一段时间内发生变化,就可以检测到异常情况。

  3. 光流法 (Optical Flow):光流法可以检测移动的物体,并估计它们的速度和方向。如果光流的速度超过某个阈值,就可以认为有物体移动。

  4. 帧差法与背景减法的结合:结合使用帧差法和背景减法可以更好地检测静止画面中的异常情况。

  5. 运动检测算法 (Motion Detection Algorithms):OpenCV 提供了一些运动检测算法,如Mean-Shift和CamShift等,可以用于检测视频中的运动对象。这些算法通常用于跟踪运动物体,但也可用于异常检测。

你可以根据你的需求选择其中一种或多种方法来检测异常情况。需要根据具体情况来调整参数和阈值,以便得到最佳的检测效果。

五、结合帧差法和背景减法

结合帧差法和背景减法来检测摄像头3秒的视频中是否有变化是一种常见的方法。以下是一个示例代码,演示如何结合这两种技术来实现这个任务:

import cv2
import time

# 打开摄像头
cap = cv2.VideoCapture(0)

# 创建背景减法器
fgbg = cv2.createBackgroundSubtractorMOG2()

# 读取第一帧作为背景
ret, background = cap.read()

# 设置计时器,记录运行时间
start_time = time.time()
run_time = 0

while run_time < 3:  # 运行3秒钟
    ret, frame = cap.read()
    
    if not ret:
        break
    
    # 应用背景减法器
    fgmask = fgbg.apply(frame)

    # 反转前景掩码,以便提取前景对象
    fgmask = cv2.bitwise_not(fgmask)

    # 获取前景对象
    result = cv2.bitwise_and(frame, frame, mask=fgmask)

    # 计算帧差
    frame_diff = cv2.absdiff(frame, background)

    # 设置阈值,用于检测帧差
    threshold = 30
    _, thresh = cv2.threshold(cv2.cvtColor(frame_diff, cv2.COLOR_BGR2GRAY), threshold, 255, cv2.THRESH_BINARY)

    # 计算帧差中非零像素的数量
    nonzero_pixels = cv2.countNonZero(thresh)

    if nonzero_pixels > 100:  # 如果帧差中的非零像素数量超过阈值
        print("有变化检测到!")

    cv2.imshow('Original', frame)
    cv2.imshow('Foreground', result)

    if cv2.waitKey(30) & 0xFF == 27:  # 按Esc键退出
        break

    # 计算运行时间
    run_time = time.time() - start_time

cap.release()
cv2.destroyAllWindows()

在这个示例中,我们打开摄像头并创建了一个背景减法器。首先,我们读取第一帧作为背景。然后,我们循环处理摄像头捕获的每一帧,应用背景减法器和帧差法来检测是否有变化。如果检测到变化(非零像素数量超过阈值),则打印消息。

这个代码将运行3秒钟,然后退出。你可以根据需要调整帧差法和背景减法的参数,以适应不同的场景和需求。文章来源地址https://www.toymoban.com/news/detail-725711.html

到了这里,关于使用opencv结合帧差法和背景减法 检测场景异常情况的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于FPGA的颜色模型和帧差法的目标检测跟踪算法实现

    目录 一、理论基础 二、核心程序 三、仿真结论          目标跟踪中,基础的差分法,存在较大的缺陷,比如目标静止状态,那么就无法检测,如果场景中,运动的物体非常多,那么就会出现检测混乱的情况,如果摄像机存在较为剧烈的抖动,同样会导致检测失败。然后

    2024年02月07日
    浏览(49)
  • ZYNQ图像处理项目——帧差法运动目标跟踪

    帧差法顾名思义就是对输入的前后两帧图像做差值,然后检测出两帧图像不同的地方,并且可以实时跟踪运动的目标轮廓。 本设计是基于ZYNQ7010和VIVADO2018.3实现的帧差法运动目标检测,针对运动目标检测算法在传统 PC端上实时性较差的问题,设计了一种基于 ZYNQ 硬件加速的运

    2024年02月07日
    浏览(79)
  • opencv运动目标检测-背景建模

    背景建模 帧差法 由于场景中的目标在运动,目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算,不同帧对应的像素点相减,判断灰度差的绝对值,当绝对值超过一定阈值时,即可判断为运动目标,从而实现目标的检测功能。 帧差法非常

    2024年02月12日
    浏览(43)
  • 基于解析法和遗传算法相结合的配电网多台分布式电源降损配置(Matlab实现)

    目录 1 概述 2 数学模型 2.1 问题表述 2.2 DG的最佳位置和容量(解析法) 2.3 使用 GA 进行最佳功率因数确定和 DG 分配  3 仿真结果与讨论  3.1 33 节点测试配电系统的仿真 3.2 69 节点测试配电系统仿真  4 结论 为了使系统网损达到最低值,人们提出了多种方法来确定分布式发电机

    2024年02月14日
    浏览(40)
  • 使用OpenCV实现背景减除

    实现步骤: 1.将图像转为灰度图 2.使用滤波器去除图像中的噪音 3.创建一个光模式图像 4.用光模式矩阵减去处理过后的图像矩阵 5.输出图像 ps:此案例并不适合所有的情况,特别是生成光模式背景。如果是较为复杂且是彩色图像则完全没法发使用这种方式生成。 对比图1:  

    2024年02月11日
    浏览(29)
  • 如何使用 OpenCV 去除图像背景

     文末附源代码的免费下载链接 在本教程中,我们将学习如何使用 OpenCV 使用一种名为背景减法的技术来去除视频中的背景。 背景扣除是计算机视觉中用于检测视频中移动物体的常用技术。对于安全、监视、交通监控等来说,这是一种非常有用的技术。 背景减法的基本思想是

    2024年02月14日
    浏览(43)
  • 使用OpenCV实现图像背景去除

    使用OpenCV实现图像背景去除 在图像处理领域,常常需要从原始图像中分离出某个对象,而去除背景是实现这一目标的一种基本方法。本文将介绍如何使用OpenCV库中的GrabCut算法来进行图像背景去除,并提供相应的Python代码。 GrabCut算法是一种基于图论的交互式前景提取算法,它

    2024年02月15日
    浏览(63)
  • Python抠图:使用OpenCV实现背景去除

    抠图(Matting)是图像处理领域的重要任务之一,旨在将对象与其它部分分离。OpenCV是一个开源计算机视觉库,它提供了丰富的函数和工具进行图像编辑处理,可以简单而快速地实现抠图功能,同时可以进行更多的图像处理、分析。下面我们将基于OpenCV,详细介绍如何使用Py

    2024年02月08日
    浏览(43)
  • 将 OpenCV Java 与 Eclipse 结合使用

    首先,从下载页面获取 OpenCV 的新版本,并将其解压缩到一个简单的位置,例如 .我使用的是 2.4.6 版,但其他版本的步骤或多或少相同。 C:OpenCV-2.4.6 现在,我们将 OpenCV 定义为 Eclipse 中的用户库,因此我们可以在任何项目中重用该配置。启动 Eclipse 并从菜单中选择 Window –

    2024年01月19日
    浏览(42)
  • 使用OpenCV与深度学习去除图像背景:Python实现指南

    第一部分:简介和OpenCV的背景去除 在现代的图像处理和计算机视觉应用中,背景去除是一个常见的需求。这不仅用于产品摄影和电商平台,还广泛应用于各种图像分析任务。在这篇文章中,我们将使用OpenCV和深度学习技术来实现此功能,并通过Python进行实现。本教程会介绍两

    2024年01月20日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包