前言
视频图像中的目标检测与跟踪，是计算机视觉的基础课题，同时具有广泛的应用价值。视觉目标（单目标）跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。本篇文章介绍静态场景的目标检测与跟踪。
主要思路
1.使用KNN背景分割器提取前景（即运动的人物）
2.提取出来的前景通过膨胀和腐蚀的操作去除噪声
3.对处理后的前景中的人物提取轮廓和构建最小外接矩形
4.以最小外接矩阵中的中心点作为运动点画出运动轨迹
KNN背景分割器算法原理
算法的基本原理就是对每一帧图像的环境进行学习，从而推断出背景区域。
算法流程可以总结如下，对于图像某个位置的新像素值：
（1）与该像素值历史信息（包括前⼏帧的像素值和像素点是前景还是背景的判断）⽐较，如果像素值之间的差别在指定阈值内，则认为新像素值与该历史信息是匹配的，是”潜在的”⼀类；所有历史信息⽐较完毕后，如果与历史信息匹配的次数超过了设定阈值，那么:（1）新像素点被归为”潜在背景点”（2）如果被匹配的历史信息中属于背景的点个数超过设定阈值，那么新的像素点就被归为背景点
（2）将新像素点根据⼀定规则保存到历史信息中
参考自:opencv中的BackgroundSubtractorKNN源码解读_Mega_Li的博客-CSDN博客
代码（Python+OpenCV实现）
代码中有详细的注释，因此不展开陈述了。
import numpy as np
import random
import cv2
def main():
#读取视频
camera = cv2.VideoCapture("C:/Users/Pei/Desktop/Lab3/static_bg_people.avi")
# frame_one读进视频中的第一张图片
ret, frame_one = camera.read()
# 创建一个mask，方便后续画轨迹
mask = np.zeros_like(frame_one)# 全0的画板，size和第一帧图像一样
# KNN背景分割器
bs = cv2.createBackgroundSubtractorKNN()
while True:
grabbed, frame = camera.read()
if (grabbed is False):
print("failed to grab frame.")
break
fgmask = bs.apply(frame) # 获得去掉背景后的图
# 处理帧，通过前景掩模采用膨胀和腐蚀的方法来去除斑点
th = cv2.threshold(fgmask.copy(), 127, 255, cv2.THRESH_BINARY)[1]
# cv2.imshow('th',th)
#腐蚀操作
erode = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)), iterations=2)
# cv2.imshow('erode', erode)
#膨胀操作
dilated = cv2.dilate(erode, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (10, 7)), iterations=2)
# cv2.imshow('dilated', dilated)
#使用cv2.findContours提取轮廓方便后续寻找最小外接矩形
image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#设置current_point对人物的中心点进行存储,以进行后续的轨迹跟踪
current_point = np.zeros([0, 2])
for c in contours:
# 对轮廓设置最小区域,这里设置500，若设置过小噪声区域也可能识别进去
if cv2.contourArea(c) > 500:
(x, y, w, h) = cv2.boundingRect(c)
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 1)#画最小外接矩形
centers = ((2 * x + w) / 2, (2 * y + h) / 2)#矩形的中心点
current_point = np.insert(current_point, 0, [centers[0], centers[1]], axis=0)
#画运动轨迹
for i in current_point:
a, b = int(i[0]), int(i[1])
#颜色设置为随机颜色random.randint(0, 255)
mask = cv2.circle(mask, (a, b), 3,
(random.randint(0, 255), random.randint(0, 255), random.randint(0, 255)), -1)
#将视频和mask的内容相结合，显示轨迹,mask需放在while循环外面，否则视频每播放一帧就会进行刷新
frame = cv2.add(frame, mask)
cv2.imshow("demo", frame) # 窗口显示结果
#按Esc退出
if cv2.waitKey(110) & 0xff == 27:
break
#释放camera
camera.release()
if __name__ == "__main__":
main()
效果
左上角的图是原始的前景图，右上角的图是经过腐蚀操作后的前景图，右下角四经过膨胀后的前景图，左下角是最终的效果图。下面是动态效果图
源视频下载：
链接：https://pan.baidu.com/s/1vJJRU9bjgNR1vpnuq-NsNg
提取码：1234
Original: https://blog.csdn.net/weixin_59450364/article/details/124212031
Author: random1548
Title: Python+OpenCV利用KNN背景分割器进行静态场景行人检测与轨迹跟踪
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/533212/
转载文章受原作者版权保护。转载请注明原作者出处！