### 实现基于光流法的视频中运动无人机目标检测 在视频处理领域，光流法是一种用于估计连续帧之间像素级运动的技术。它能够帮助识别和跟踪视频中的移动对象，非常适合于检测无人机等动态目标。 以下是一个使用 **OpenCV** 和光流法（Farneback 方法）实现的代码示例，用于检测视频中的运动无人机目标： ```python import cv2 import numpy as np # 初始化视频捕获 cap = cv2.VideoCapture('drone_video.mp4') # 替换为你的无人机视频路径 # 读取第一帧 ret, prev_frame = cap.read() prev_gray = cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY) # 创建一个掩膜图像用于绘制光流向量 hsv = np.zeros_like(prev_frame) hsv[..., 1] = 255 while True: ret, frame = cap.read() if not ret: break # 转换为灰度图 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 计算稠密光流（Farneback 光流法） flow = cv2.calcOpticalFlowFarneback(prev_gray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0) # 将光流向量转换为极坐标形式，用于可视化 mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1]) hsv[..., 0] = ang * 180 / np.pi / 2 hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX) # 转换为彩色光流图 bgr_flow = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR) # 可视化光流结果 cv2.imshow('Dense Optical Flow', bgr_flow) # 阈值分割以提取显著运动区域 motion_mask = cv2.threshold(cv2.cvtColor(bgr_flow, cv2.COLOR_BGR2GRAY), 10, 255, cv2.THRESH_BINARY)[1] # 对运动区域进行形态学操作以消除噪声 motion_mask = cv2.erode(motion_mask, None, iterations=2) motion_mask = cv2.dilate(motion_mask, None, iterations=2) # 寻找轮廓 contours, _ = cv2.findContours(motion_mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 绘制边界框 for cnt in contours: if cv2.contourArea(cnt) < 500: # 过滤小面积区域 continue x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) # 显示原始视频与检测结果 cv2.imshow('Drone Detection with Optical Flow', frame) # 更新前一帧 prev_gray = gray # 按下 'q' 键退出循环 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源并关闭窗口 cap.release() cv2.destroyAllWindows() ``` #### 代码说明： 1. **视频输入**：使用 `cv2.VideoCapture` 加载视频文件。 2. **光流计算**：采用 OpenCV 提供的 `cv2.calcOpticalFlowFarneback` 函数计算稠密光流[^1]。 3. **运动检测**：通过光流的方向和幅度信息生成光流可视化图像，并对其进行二值化处理以提取显著运动区域。 4. **形态学操作**：使用膨胀和腐蚀操作去除噪声并增强目标区域。 5. **轮廓检测与边界框绘制**：通过查找轮廓并过滤掉小面积区域，最终在视频帧上绘制出检测到的无人机边界框。 该方法适用于在复杂背景中检测运动的无人机目标，尤其在低分辨率或快速移动的情况下效果较好。 --- ###