【正文】 rojectionThreshold,inliersMask)。 trainPoints[i] = trainKeypoints[matches[i].trainIdx].pt。 i ()。 std::vectorcv::Point2f trainPoints(())。 if (() minNumberMatchesAllowed) return false。 matches, cv::Matamp。 queryKeypoints, const std::vectorcv::KeyPointamp。 return isCreated。 bool isCreated = !( () || () || () )。 descriptorMatcher = DescriptorMatcher::create( matcherType )。 featureDetector = FeatureDetector::create( detectorType )。 descriptorMatcher ) { cout Creating feature detector, descriptor extractor and descriptor matcher ... endl。 featureDetector, PtrDescriptorExtractoramp。 descriptorType, const stringamp。 static bool createDetectorDescriptorMatcher( const stringamp。 vectorPoint srcCorner(4)。 int width。 using namespace std。 代碼如下： span style=fontsize:18px。修正的大津法自適應(yīng)閾值得到更準(zhǔn)確的前景圖 幀差法解決搖擺樹(shù)葉等背景擾動(dòng)以及光照的影響，得到了比較好的檢測(cè)效果。 4 小結(jié) 本文介紹了一種基于 OpenCv 的視頻監(jiān)控運(yùn)動(dòng)檢測(cè)系統(tǒng)方案 ,包括了背景提取、前景檢測(cè)、判斷報(bào)警，背景更新等主要模塊。首先設(shè)定分塊系數(shù) M和 N將整幅圖劃分為個(gè)塊 M*N再根據(jù)不同目標(biāo)區(qū)域的需要 ,選擇所需要的第 i 塊作為監(jiān)控區(qū)域 ,其實(shí)現(xiàn)過(guò)程主要為 : 圖 2, 是攝像頭采集的一段視頻中的第 796幀，后兩幅前景圖對(duì)比了沒(méi)有設(shè)置 ROI 和設(shè)置了 ROI 的兩種情況 都檢測(cè)到了目標(biāo)的出現(xiàn) 但是從每幀處理時(shí)間看 處理時(shí)間后者快了近 10ms 大大提高系統(tǒng)的實(shí)時(shí)性 能。在視頻監(jiān)控領(lǐng)域中，有時(shí)用戶會(huì)指定一個(gè)區(qū)域只對(duì)其監(jiān)控 而不對(duì)整個(gè)圖像處理。 因此，運(yùn)動(dòng)檢測(cè)算法必須簡(jiǎn)單 (高效）除了采用實(shí)時(shí)性好的背景模型及更新方法，還有一種方法就是采用 感興趣區(qū)域（ ROI）。 以背景建模與更新為核心 整個(gè)運(yùn)動(dòng)檢測(cè)的流程框 圖如圖 1 所示： 圖 1 興趣區(qū)域（ ROI） 視頻監(jiān)控運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中，對(duì)實(shí)時(shí)性有著非常高的要求，一般的視頻采集多為 20~30（幀 /秒）的速度。 OpenCv 是開(kāi)放的 C 源碼 ， 基于 Intel 處理器指令集開(kāi)發(fā)的優(yōu)化代碼 ， 具有統(tǒng)一的結(jié)構(gòu)和功能定義 、 強(qiáng)大的圖像和矩陣運(yùn)算能力 ， 方便靈活的用戶接口 ， 同時(shí)支持 Windows， Linux平臺(tái)等 。 可以在 VC環(huán)境下使用 ， 操作方便 。 它主要用于對(duì)圖像進(jìn)行一些高級(jí)處理 。 2 OpenCv 簡(jiǎn)介 OpenCv（ Open Source Computer Vision Library ）是一種 種用于數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)的函數(shù)庫(kù) 。 運(yùn)動(dòng)目標(biāo)檢測(cè)主要包括背景提 、 前景檢測(cè) 、 判斷報(bào)警 、 背景更新等主要步驟 。 OpenCv 課程論文 基于 OpenCv 運(yùn)動(dòng)目標(biāo)的檢測(cè) 院 （系） 理學(xué)院 專 業(yè) 信息與計(jì)算科學(xué) 班 級(jí) 111001114 姓 名 王肖程 學(xué) 號(hào) 111001114 導(dǎo) 師 劉建偉 2020 年 10 月 22 日 1 引言 ： 運(yùn)動(dòng)目標(biāo)檢測(cè)是智能視頻監(jiān)控系統(tǒng)的重要組成部分它是指從視頻圖像序列中將變化的目標(biāo)從背景中分割出來(lái) 。 一旦檢測(cè)出目標(biāo) ， 監(jiān)控系統(tǒng)將產(chǎn)生報(bào)警信息提示管理員采取相應(yīng)措施 ， 同時(shí)開(kāi)始存儲(chǔ)該時(shí)段視頻文件以備查閱 ， 可見(jiàn)檢測(cè)結(jié)果至關(guān)重要 。 目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有 3 種 :幀差法 ,對(duì)于動(dòng)態(tài)環(huán)境具有較強(qiáng)的自適應(yīng)性 ， 穩(wěn)健性 較好 ， 但一般不能完全提取出所有相關(guān)的特征像素點(diǎn) ： 光流法 ， 能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的對(duì)象 ， 并且可用于攝像機(jī)運(yùn)動(dòng)的情況 ， 但是多數(shù)計(jì)算復(fù)雜 、 耗時(shí)多 ， 很難實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè) ；背景減法 ， 一般能夠較完整地提取目標(biāo)點(diǎn) ， 但對(duì)于動(dòng)態(tài)場(chǎng)景的變化 !如光照和外來(lái)無(wú)關(guān)事件的干擾等特別敏感 。 由 Intel 微處理器研究實(shí)驗(yàn)室的視覺(jué)交互組開(kāi)發(fā) 。 比如特征檢 測(cè)與跟蹤 、 運(yùn)動(dòng)分析 、 目標(biāo)分割與識(shí)別以及 3D 重建等 。 功能強(qiáng)大 !可以大大縮短相關(guān)程序的開(kāi)發(fā)周期 。 3 運(yùn)動(dòng)目標(biāo)檢測(cè)原理 背景的提取和檢測(cè) 背景提取與更新采用以背景減法為基礎(chǔ) ， 相鄰幀差法為補(bǔ)充的檢測(cè) 方法 ： 當(dāng)視頻采集開(kāi)始時(shí) ， 首先提取視頻序列的一幀作為初始背景 B（ x,y） 以后每 幀通過(guò) Img(x,y)讀入 ,通過(guò)數(shù)幀更新得到較準(zhǔn)確的背景圖 ! 這里圖像存儲(chǔ)格式均采用 IplImag結(jié)構(gòu) ， 背景更新采用更新加權(quán)累計(jì)圖像的方法 ， 使用函數(shù) cvRunningAvg 其定義是 : void cvRunningAvg(const CvArr * image, CvArr* acc, double alpha, const CvArr* mask=NULL)。如果檢測(cè)過(guò)程太復(fù)雜，耗時(shí)太久，就無(wú)法及時(shí)地給出報(bào)警。 人們對(duì)于圖像各個(gè)區(qū)域內(nèi)容讀取關(guān)注程度各不相同，關(guān)注程度較高的部分就稱為 ROI，一般這些部分包含了圖像的重要內(nèi)容，細(xì)節(jié)比較豐富。這里使用函 數(shù) cvSetImagROI 基于給定的矩形設(shè)置圖像的 ROI，另外，對(duì)于特定場(chǎng)景，如果只對(duì)一幅圖像的某個(gè)部分進(jìn)行處理就能夠達(dá)到運(yùn)動(dòng)檢測(cè)的目的，也可以使用 ROI 在系統(tǒng)進(jìn)行參數(shù)初始化階段。 當(dāng)然，采用 ROI 會(huì)帶來(lái)一定的漏報(bào)率，但實(shí)驗(yàn)證實(shí)一般場(chǎng)景下合適的 ROI選取可使檢測(cè)率與傳統(tǒng)方案相差很小，而時(shí)間成本得到了大幅度改善。 OpenCv 由大量庫(kù)函數(shù)組成，且代碼經(jīng)過(guò)優(yōu)化，是一種高效且實(shí)用的開(kāi)發(fā)工具方案通過(guò)設(shè)置感興趣區(qū)域可以提高系統(tǒng)的實(shí)時(shí)性能。另外本方法雖 然算法相對(duì)簡(jiǎn)單，實(shí)時(shí)性較好，但在處理復(fù)雜程度較高的背景以及光線突變時(shí)效果仍不理想，還需進(jìn)一步研究解決。include include opencv2/ include vector include iostream using namespace cv。 Mat src,frameImg。 int height。 vectorPoint dstCorner(4)。 detectorType, const stringamp。 matcherType, PtrFeatureDetectoramp。 descriptorExtractor, PtrDescriptorMatcheramp。 if (detectorType==SIFT||detectorType==SURF) initModule_nonfree()。 descriptorExtractor = DescriptorExtractor::create( descriptorType )。 cout endl。 if( !isCreated ) cout Can not create feature detector or descriptor extractor or descriptor matcher of given types. endl endl。 } refineMatchesWithHomography(const std::vectorcv::KeyPointamp。 trainKeypoints, float reprojectionThreshold, std::vectorcv::DMatchamp。 homography ) { const int minNumberMatchesAllowed = 4。 // Prepare data for cv::findHomography std::vectorcv::Point2f queryPoints(())。 for (size_t i = 0。 i++) { queryPoints[i] = queryKeypoints[matches[i].queryIdx].pt。 } // Find homography matrix and get inliers mask std::vectorunsigned char inliersMask(())。std::vectorcv::DMatch inliers。 i()。 } (inliers)。 drawMatches(src,queryKeypoints,frameImg,trainKeypoints,matches,homoShow,Scalar::all(1),CV_RGB(255,255,255),Mat(),2)。 return () minNumberMatchesAllowed。 queryKeyPoints,const vectorKeyPointamp。 queryDescriptors,const Matamp。 descriptorMatcher, bool enableRatioTest = true) { vectorvectorDMatch m_knnMatches。 if (enableRatioTest) { coutKNN Matchingendl。 descriptorMatcherknnMatch(queryDescriptors,trainDescriptors,m_knnMatches,2)。 i()。 bestMatch = m_knnMatches[i][0]。 betterMatch = m_knnMatches[i][1]。 if (distanceRatio minRatio) { (bestMatch)。 Ptrcv::DescriptorMatcher BFMatcher(new cv::BFMatcher(cv::NORM_HAMMING, true))。 } Mat homo。 bool homographyFound = refineMatchesWithHomography( queryKeyPoints,trainKeyPoints,homographyReprojectionThreshold,m_Matches,homo)。 else { if (()10) { std::vectorPoint2f obj_corners(4)。 obj_corners[1] = cvPoint( , 0 )。 obj_corners[3] = cvPoint( 0, )。 perspectiveTransform( obj_corne