基于opencv的运动目标检测 python代码

基于OpenCV的运动目标检测Python代码可以通过以下步骤实现：

1. 导入所需模块，例如OpenCV，NumPy等。

2. 使用cv2.VideoCapture()方法读取视频或摄像头中的帧。

3. 定义帧大小和缩放比例。

4. 使用cv2.cvtColor()方法将帧从BGR转换为灰度图像。

5. 使用cv2.GaussianBlur()方法对图像进行模糊处理，以减少噪声。

6. 使用cv2.absdiff()方法计算当前帧和上一帧之间的差异。

7. 使用cv2.threshold()方法根据阈值将像素设置为二进制值，以便轮廓检测。

8. 使用cv2.dilate()方法对二值图像进行扩张操作，以填充边界和减少噪声。

9. 使用cv2.findContours()方法检测图像中的轮廓，忽略较小的轮廓。

10. 使用cv2.rectangle()方法在原始帧中绘制Bounding Box。

11. 使用cv2.imshow()方法将检测结果显示在屏幕上。

代码示例（基于Python 3）：

import cv2
import numpy as np

# 读取视频
cap = cv2.VideoCapture("video.avi")

# 定义帧大小和缩放比例
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
scale = 0.5

# 定义结构元素和阈值
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
threshold = 30

# 读取第一帧并将其转换为灰度图像
_, frame = cap.read()
gray_frame = cv2.cvtColor(cv2.resize(frame, None, fx=scale, fy=scale), cv2.COLOR_BGR2GRAY)

while True:
    # 读取帧并将其转换为灰度图像
    _, frame = cap.read()
    gray = cv2.cvtColor(cv2.resize(frame, None, fx=scale, fy=scale), cv2.COLOR_BGR2GRAY)

    # 计算当前帧和上一帧之间的差异
    diff = cv2.absdiff(gray, gray_frame)

    # 对差异图像进行模糊处理
    blurred = cv2.GaussianBlur(diff, (5, 5), 0)

    # 根据阈值将像素设置为二进制值
    _, thresh = cv2.threshold(blurred, threshold, 255, cv2.THRESH_BINARY)

    # 对二值图像进行扩张操作
    dilated = cv2.dilate(thresh, kernel, iterations=3)

    # 检测图像中的轮廓
    contours, _ = cv2.findContours(dilated, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    # 绘制Bounding Box并在原始帧中显示结果
    for contour in contours:
        if cv2.contourArea(contour) > 1000:
            (x, y, w, h) = cv2.boundingRect(contour)
            cv2.rectangle(frame, (int(x / scale), int(y / scale)), (int((x + w) / scale), int((y + h) / scale)), (0, 255, 0), 2)

    # 显示检测结果
    cv2.imshow("Motion Detection", frame)

    # 退出
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

该代码将检测视频中的运动目标，并在原始帧中绘制Bounding Box以指示检测位置。此外，代码还使用了一些图像处理技术，例如灰度转换，模糊处理，二值化等，以提高检测结果的准确性。