在动态场景中移动物体

Question

我正在寻找一种代码来检测动态场景中的移动物体。 大多数方法都使用背景减法，但对于动态背景，此方法不起作用。 你有什么建议？ 我不想使用 AI 模型，因为它是一个嵌入式应用程序。
谢谢。

Answer 1

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7778163
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：人工智能AI中关于数据标注标签处理的工具集锦
• 除此之外, 这篇博客: 对图像直方图的理解中的        直方图均衡的目的是为了使灰度分布的更广泛，从而来拉伸对比度。 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。

  第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。

  第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是

  

  其中，n是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。

  来看看通过上述公式怎样实现的拉伸。假设有如下图像：

  

  得图像的统计信息如下图所示，并根据统计信息完成灰度值映射：

  

  直方图均衡化参考链接：https://www.cnblogs.com/tianyalu/p/5687782.html

   

   

   

   

   

   

   

   

   

• 您还可以看一下 CSDN讲师老师的AI出入证-人工智能助力疾控复工课程中的 复杂网络技术可以构建跨多度连接、多种关联关系的图数据库数据服务小节, 巩固相关知识点
  
• 以下回答由chatgpt基于相关博客总结生成:

  针对动态场景中移动物体的检测问题，建议使用运动目标检测（Moving Object Detection）方法。常用的运动目标检测方法包括基于光流的方法、基于帧差法的方法、基于背景建模的方法等。由于使用了背景减法的方法在动态背景下不起作用，可以考虑使用基于光流的方法或基于帧差法的方法进行处理。

  基于光流的方法可以用来检测局部区域的运动物体，具体步骤如下：

  1. 对连续的两帧图像计算稠密光流场；
  2. 对光流场进行聚类，将与物体运动相关的光流聚为一类；
  3. 根据运动物体的形态特征，如运动轨迹、大小、形状等，抽取运动目标，并进行跟踪。

  参考代码：

  #include <opencv2/opencv.hpp>
  
  using namespace cv;
  using namespace std;
  
  int main()
  {
      VideoCapture cap(0); //打开摄像头
  
      Mat frame, preFrame, grayFrame, preGrayFrame;
      vector<uchar> status;
      vector<float> err;
  
      //输入输出光流图像
      Mat flow, cflow;
      Mat img, img0;
  
      //创建随机颜色
      vector<Scalar> colors;
      RNG rng;
      for (int i = 0; i < 100; i++)
          colors.push_back(Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)));
  
      //循环处理视频流
      while (waitKey(30) != 27)
      {
          cap >> frame;
          if (frame.empty())
              break;
  
          cvtColor(frame, grayFrame, COLOR_BGR2GRAY);
  
          if (!preGrayFrame.empty())
          {
              calcOpticalFlowFarneback(preGrayFrame, grayFrame, flow, 0.5, 3, 15, 3, 5, 1.2, 0);
              cvtColor(preGrayFrame, cflow, COLOR_GRAY2BGR);
  
              //计算运动物体的边界矩形
              vector<vector<Point>> contour;
              vector<Vec4i> hierarchy;
              findContours(threshold, contour, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
              for (int i = 0; i < contour.size(); i++)
              {
                  Rect box = boundingRect(contour[i]);
                  rectangle(cflow, box, colors[i % 100], 2);
              }
              imshow("optical_flow", cflow);
          }
  
          preGrayFrame = grayFrame.clone();
      }
  
      return 0;
  }
  

  基于帧差法的方法可以用来检测全局区域的运动物体，具体步骤如下：

  1. 选取参考帧；
  2. 对当前帧与参考帧进行帧差计算，得到差分帧；
  3. 对差分帧进行阈值划分，得到二值图像；
  4. 对二值图像进行形态学操作，对噪点进行滤除，得到物体轮廓；
  5. 对物体轮廓进行聚类，提取运动目标。

  参考代码：

  #include <opencv2/opencv.hpp>
  
  using namespace cv;
  using namespace std;
  
  int main()
  {
      VideoCapture cap(0); //打开摄像头
  
      Mat frame, preFrame, grayFrame, preGrayFrame, diffFrame, threshold;
  
      //循环处理视频流
      while (waitKey(30) != 27)
      {
          cap >> frame;
          if (frame.empty())
              break;
  
          cvtColor(frame, grayFrame, COLOR_BGR2GRAY);
  
          if (!preGrayFrame.empty())
          {
              //帧差计算
              absdiff(preGrayFrame, grayFrame, diffFrame);
  
              //二值化处理
              threshold(diffFrame, threshold, 30, 255, THRESH_BINARY);
  
              //形态学处理
              Mat element = getStructuringElement(MORPH_RECT, Size(5, 5));
              morphologyEx(threshold, threshold, MORPH_OPEN, element);
  
              //轮廓分析
              vector<vector<Point>> contour;
              vector<Vec4i> hierarchy;
              findContours(threshold, contour, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
              for (int i = 0; i < contour.size(); i++)
              {
                  Rect box = boundingRect(contour[i]);
                  rectangle(frame, box, Scalar(0, 0, 255), 2);
              }
  
              imshow("frame", frame);
              imshow("threshold", threshold);
          }
  
          preGrayFrame = grayFrame.clone();
      }
  
      return 0;
  }