运动物体检测+预测运动方向

该博客探讨了运动物体检测和预测运动方向的技术。作者首先尝试了背景运动估计方法,但由于摄像头抖动导致效果不佳,转而使用光流法。运动预测通过相邻帧特征点的位移来估算物体的运动向量。虽然速度影响了向量的长度,但能大致预测物体的下一帧位置。最终展示了预测效果,并提出未来可能通过运动补偿和模型训练来优化预测精度。源码可在优快云下载。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

运动物体检测+预测运动方向

一开始的时候我想了好久,都觉得好玄学啊,我在运动的时候,可以乱溜达,我想怎么动怎么动,又不是什么规则的运动,都不是什么可以拟合的曲线,那预测位置多奇怪啊,我可能这一秒的趋势是往前运动,但是我突然想不开非要退一下呢qaq,就感觉有点奇怪

运动物体检测

一开始想的是采用背景运动估计的方法去做的,但是在我测试的时候,我固定了摄像头位置,但是由于摄像头好像会自动聚焦然后会有点放大缩小,图像在抖动,而我又是以摄像头读取到的第一帧图像为基础背景去比较的,就导致背景自己就觉得自己在动,就很诡异,效果并不好,代码如下:

import cv2
import numpy as np
 
cap = cv2.VideoCapture(0)

es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 4))
kernel = np.ones((3, 3), np.uint8)
background = None
 
while True:
  ret, frame = cap.read()
  gray_img = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  gray_img = cv2.GaussianBlur(gray_img, (21, 21), 0)
 
  # 将第一帧设为背景
  if background is None:
    background = gray_img
    continue
  img = cv2.absdiff(background, gray_img)
  img = cv2.threshold(img, 25, 255, cv2.THRESH_BINARY)[1] 
  img = cv2.dilate(img, es, iterations=2)
  # 框选
  contours, hierarchy = cv2.findContours(img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  for c in contours:
    (x, y, w, h) = cv2.boundingRect(c)
    cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 255, 0), 2)
 
  cv2.imshow('contours', frame)
  cv2.imshow('dis', img)
 
  key = cv.waitKey(30)
    if key == 27:
        break
camera.release()
cv2.destroyAllWindows()

然后就改变了想法,采用了光流法,因为很方便就能反馈相邻两帧的相应特征点的坐标,但是缺陷就在于取得特征点有些是无用的
其中角点检测我参考的博客是:
Harris角点检测数学计算过程与CornerHarris方法参数的一点说明【DataWhale学习记录】
角点检测详细总结及代码示例
光流法参考的是:
SLAM代码(光流法)

运动预测

我一开始采取的是取相邻两帧之间的特征点的位置,轨迹就是两点连接起来,预测出的运动方向用向量表示,因为没办法直接在图上画出向量,所以我选择了自己计算一下然后用三条线画一个向量出来

        x = 10*(x1 - x0) + x0
        y = 10*(y1 - y0) + y0
        x2 = (x - x0)
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值