本期我们将学习如何使用OpenCV实现运动检测
运动检测是指检测物体相对于周围环境的位置是否发生了变化。接下来，让我们一起使用Python实现一个运动检测器应用程序吧！
该运动检测器可以完成以下任务：
1）在家工作时在屏幕前查找时间
2） 监控孩子在屏幕前的时间
3） 在你的后院发现非法侵入
4） 在你的房间/房子/小巷周围找到不需要的公共/动物活动……。
想要实现该运动检测器程序我们需要具备以下条件：
1）硬件要求：装有网络摄像机或任何类型摄像机的计算机。
2）软件需求：Pyhton3或者更高版本。
3）附加要求：对运动检测有一定的兴趣。
接下来我们将一步步的完成该应用程序的构建。
首先，我们将通过网络摄像头捕获第一帧，并将它视为基准帧，如下图所示。通过计算该基准帧中的对象与新帧对象之间的相位差来检测运动。我们也将得到的结果称为Delta帧。
接下来，我们将使用像素强度来优化Delta帧，优化后的帧称为阈值帧。并且，我们将应用一些复杂的图像处理技术，例如阴影消除、扩张轮廓等，以完成在阈值帧上提取对象物体。以下是您要实现的目标：
被探测对象
当这个对象进入帧和退出帧时，我们能够很容易的捕获这两帧的时间戳。因此，将能够准确的在视频中找到相关片段。
我们希望小伙伴都能自己实现这个程序，因此我们就不直接嵌入代码了。
从最基本的安装开始，我们需要安装Python3或更高版本，并使用pip安装pandas和OpenCV这两个库。这些工作做好，我们的准备工作就完成了。
第一步：导入需要的库：
第二步：初始化变量，列表，data frame：
在下面的代码中，我们将会了解到在什么时候需要使用上面涉及到的每一项。
第三步：使用网络摄像机捕获视频帧：
在OpenCV中有能够打开相机并捕获视频帧的内置函数。其中输入参数“0”表示计算机硬件端口号为0的摄像机。如果我们拥有了多个摄像头或闭路电视等设置，可以通过该参数提供相应的端口号。
第四步：将捕捉到的帧转换为灰度图像，并应用高斯模糊去除噪声：
由于彩色图片中每个像素均具有三个颜色通道，实际上我们并不需要使用这么多的信息，因此首先将彩色帧转换成灰度帧。再利用高斯模糊对图像进行平滑处理，进而提高检测精度。在高斯模糊函数中，我们利用第2个参数定义了高斯核的宽度和高度；利用第3个参数，定义了标准偏差值。在这里我们可以使用核大小为（21,21），标准偏差为0的标准值。想要了解有关高斯平滑的更多信息，请参考：
Smoothing Images - OpenCV 2.4.13.7 documentation In an analogous way as the Gaussian filter, the bilateral filter also considers the neighboring pixels with weights…
docs.opencv.org
第五步：捕获第一个灰度帧
第一帧是整个处理过程中的基准帧。通过计算此基准帧与新帧之间特定对象的相位差来检测运动。在拍摄第一帧时，特定对象相机前不应有任何移动。但是得到的第一帧并不需要后续处理，因此我们可以用continue语句跳过后续过程。
第六步：创建Delta帧和阈值帧
现在，我们需要找出第一帧和当前帧之间的区别。因此，我们使用absdiff函数并将得到的结果称为delta帧。对于我们的用例来说，仅仅找到一个差异是不够的，所以我们需要定义一个像素阈值，它可以被视为真实的对象。
我们可以选择30像素作为标准阈值，并将标准阈值的颜色定义为白色（颜色代码：255). 二元阈值函数THRESH_BINARY返回一个元组值，其中只有第二项（[0]是第一项，[1]是第二项）包含生成的阈值帧。二元阈值函数用于处理含有2个离散值的非连续函数：如0或1。如果摄影机前面没有对象，我们将当前帧的状态视为0；如果摄影机前面存在对象，则将当前帧的状态视为1。
更多阈值图像处理相关知识，请参考：
Miscellaneous Image Transformations - OpenCV 2.4.13.7 documentation Performs a marker-based image segmentation using the watershed algorithm. The function implements one of the variants…
docs.opencv.org
第七步：膨胀阈值帧并在其中找到轮廓像素
“我们的眼睛总是被光线吸引，但阴影处有更多内容。”—格雷戈里·马奎尔
对象的每个部分都会在背景或自身的其他部分留下一定的阴影。这似乎总是让我们感到很困惑。例如，鼻子投射在嘴唇上的阴影，较大的静止物体在旁边的小物体上投射的阴影。飘动的光源，不同发光强度的多个光源，你房间的窗帘，光源的方向和视角等等都会对阴影造成一定的影响。
以下是在实时捕获的帧中发现的一些干扰。因此，为了使这些噪声最小化，我们需要对图像进行滤波。在膨胀函数Dilate中，我们可以通过设置迭代次数来设置平滑度。迭代次数越多，平滑度越高，处理时间也就越长。因此，建议保持标准化设置为3。膨胀函数中的“None”参数表示我们的应用中不需要元素结构。
关于膨胀的更多知识，你可以参考：
Image Filtering - OpenCV 2.4.13.7 documentation Functions and classes described in this section are used to perform various linear or non-linear filtering operations…
docs.opencv.org
完成过滤以后，我们需要在该帧中找到对象轮廓。我们用当前帧中的轮廓来识别对象的大小和位置。为了实现这一点，我们将该帧的一个副本传递到findCounters方法中，使用这个副本来查找轮廓。使用副本的原因是，我们不希望轮廓识别影响到原始过滤帧。
这里有个麻烦，因为我们必须将轮廓存储在一个元组中，并且只需要使用该元组的第一个值。请参阅Python3中声明元组的语法：（name，_）。
现在，我们只需要在过滤层上找到对象的外部轮廓。对于我们的用例来说，除了极端外部轮廓以外的其他轮廓都是无用的。因此我们必须使用一些近似方法来优化轮廓的提取过程。例如使用曲线近似或曲线插值，也可以使用简单链近似规则，即压缩水平、垂直和对角线线段，只保留其端点。因此，我们能够很快得到最佳拟合轮廓。
第八步：找到轮廓区域，并在矩形中形成端点：
实际上我们并不想捕捉像昆虫这样的小物体，而是要捕捉像人或动物这样的大物体。因此我们采用轮廓区域的概念，即跳过那些面积小于10000像素的对象。对于大于此区域的轮廓，我们将状态设置为1，即检测到对象。
想知道关于图像处理中的轮廓，可以参考：
Structural Analysis and Shape Descriptors - OpenCV 2.4.13.7 documentation Draws contours outlines or filled contours. The function draws contour outlines in the image if or fills the area…
docs.opencv.org
现在我们使用boundingRect函数捕捉轮廓的坐标。然后，我们使用这些坐标在彩色帧上绘制一个特定颜色、特定厚度的矩形。此矩形描述了实际检测到的对象。
第九步：捕获对象进入帧（场景）和退出帧（场景）时的时间戳
“状态”列表status_list存储值0：代表未检测到对象，1：代表检测到对象。此状态值从0更改为1的时刻就是对象进入帧的那一时刻。同样，此状态值从1变为0的时刻就是对象从帧中消失的那一时刻。因此，我们从状态列表的最后两个值可以获得这两个切换事件的时间戳。
第十步：显示所有不同的画面（帧）
使用imshow（）方法，我们将在一个独立的窗口中显示每个帧并进行比较。
我们使用waitKey函数来延迟进程，直到按下某个键。在这里，我们使用waitKey（1）从摄像机获得连续的实时反馈。想停止拍摄视频时，只需按键盘上的“Q”键即可。
我们同时需要在按下“Q”的同时捕获最后一个时间戳，因为这将帮助程序结束从摄像机捕获视频的过程，并生成时间数据。
下面是使用该应用程序生成的实际图像输出。第一个图像表示基准帧的4个帧类型，第二个图像表示带有对象的帧的4种类型的帧。你能比较一下区别吗？
Baseline First Frame
Frame with a detected object
第十一步：生成时间数据
到目前为止，所有的时间戳都存储在pandas的data-frame变量中。为了从生成的数据中获得更多信息，我们将把data-frame变量导出到本地磁盘的csv文件中。
请不要忘记释放视频变量，因为它在内存中占用了不少空间。同时销毁所有窗口以避免出现不必要的错误
这就是生成的csv的样子。正如我们所看到的那样，在程序结束之前，这个对象已经被检测了3次。您可以查看开始时间和结束时间，并计算对象在摄影机前面的时间。
这个应用程序还不够令人兴奋吗？这个应用程序是不是远离了典型的无聊编程？物联网爱好者甚至可以把这个程序部署到树莓派服务器Raspberry Pi上，并创造奇迹！
