### 使用 Python 实现移动物体检测 #### 准备工作 为了实现基于Python的移动物体检测，需先安装必要的库。主要依赖于`opencv-python`库来处理图像和视频流。 ```bash pip install opencv-python ``` #### 初始化摄像头与读取帧 通过OpenCV可以轻松访问摄像设备，并获取连续的视频帧用于分析。对于固定摄像头而言，初始化过程相对简单： ```python import cv2 camera = cv2.VideoCapture(0) # 打开默认摄像头 ret, frame = camera.read() # 获取一帧作为背景模型的基础 if not ret: raise Exception("无法从摄像头读取数据") gray_background = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) gray_background = cv2.GaussianBlur(gray_background, (21, 21), 0) ``` 此部分代码设置了摄像头连接并捕获了一张图片作为初始状态下的背景参考图[^1]。 #### 计算差异与阈值化处理 当有物体进入视野时，当前帧与之前存储下来的背景之间会产生变化。通过对两者的差分操作以及应用二值化技术，能够突出显示这些变动区域。 ```python while True: ret, cur_frame = camera.read() gray_cur_frame = cv2.cvtColor(cur_frame, cv2.COLOR_BGR2GRAY) gray_cur_frame = cv2.GaussianBlur(gray_cur_frame, (21, 21), 0) diff_frame = cv2.absdiff(gray_background, gray_cur_frame) thresh_frame = cv2.threshold(diff_frame, 30, 255, cv2.THRESH_BINARY)[1] thresh_frame = cv2.dilate(thresh_frame, None, iterations=2) ``` 上述代码片段展示了如何计算前后两帧之间的绝对差别，并设置了一个合适的阈值以区分静止对象和运动目标。 #### 轮廓提取与绘制边界框 一旦获得了经过预处理后的二值图像，则可以通过查找轮廓的方式定位到具体的活动实体位置。接着，在原彩色画面上描绘出相应的矩形边框以便直观展示检测结果。 ```python contours, _ = cv2.findContours(thresh_frame.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for contour in contours: if cv2.contourArea(contour) < 10000: # 过滤掉面积过小的对象 continue (x, y, w, h) = cv2.boundingRect(contour) cv2.rectangle(cur_frame, (x, y), (x + w, y + h), (0, 255, 0), 2) # 绘制绿色方框标记移动物体 ``` 这里运用到了`cv2.findContours()`方法去发现所有可能存在的闭合形状；再利用`cv2.boundingRect()`获得最小外接矩形坐标参数，最后调用`cv2.rectangle()`完成实际绘图动作[^2]。 #### 显示结果 为了让用户能实时观察到监控画面中的动态情况，循环内还需加入窗口刷新逻辑。 ```python cv2.imshow('Moving Object Detection', cur_frame) key = cv2.waitKey(1) & 0xFF if key == ord('q'): break camera.release() cv2.destroyAllWindows() ``` 这段脚本会持续更新名为“Moving Object Detection”的窗口直至按下键盘上的'Q'键终止程序运行[^3]。