OpenCV 遗留物检测算法

简介

• OpenCV 实现遗留物检测算法

OpenCV实现遗留物视觉检测算法

---

以下是使用OpenCV实现遗留物视觉检测的分步说明和代码示例，核心思路是通过背景建模、运动检测和物体驻留时间分析来识别静止的遗留物。

---

算法思路

1. 背景建模：提取稳定的背景，分离运动的前景物体。
2. 运动检测：检测视频中的移动物体并跟踪其位置。
3. 驻留时间分析：记录物体在某一区域的停留时间，超过阈值则判定为遗留物。
4. 报警与可视化：标注遗留物区域并触发警告。

---

代码实现

#include <opencv2/opencv.hpp>
#include <vector>
#include <map>

using namespace cv;
using namespace std;

// 定义遗留物结构体：记录位置和驻留时间
struct StaticObject {
    Rect2d bbox;
    int stayFrames;
    bool isWarning;
};

int main() {
    // 初始化摄像头或视频文件
    VideoCapture cap("test.mp4");
    if (!cap.isOpened()) return -1;

    // 创建背景减除器（MOG2算法）
    Ptr<BackgroundSubtractor> bgSubtractor = createBackgroundSubtractorMOG2(500, 16, false);

    Mat frame, fgMask, bgImg;
    map<int, StaticObject> trackedObjects; // 跟踪的物体列表
    int objectId = 0;

    while (cap.read(frame)) {
        // 背景建模更新
        bgSubtractor->apply(frame, fgMask, 0.001);

        // 形态学操作去噪
        morphologyEx(fgMask, fgMask, MORPH_OPEN, getStructuringElement(MORPH_RECT, Size(5,5)));
        morphologyEx(fgMask, fgMask, MORPH_CLOSE, getStructuringElement(MORPH_RECT, Size(15,15)));

        // 查找轮廓
        vector<vector<Point>> contours;
        findContours(fgMask, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

        // 过滤小面积噪声
        vector<Rect> currentRects;
        for (const auto& contour : contours) {
            if (contourArea(contour) > 500) {
                Rect rect = boundingRect(contour);
                currentRects.push_back(rect);
            }
        }

        // 物体跟踪与匹配（简单IOU匹配）
        map<int, StaticObject> newTrackedObjects;
        for (const auto& rect : currentRects) {
            bool matched = false;
            for (auto& obj : trackedObjects) {
                Rect2d trackedRect = obj.second.bbox;
                // 计算交并比（IOU）
                double intersectionArea = (trackedRect & rect).area();
                double unionArea = trackedRect.area() + rect.area() - intersectionArea;
                if (intersectionArea / unionArea > 0.3) {
                    // 更新位置和驻留时间
                    obj.second.bbox = rect;
                    obj.second.stayFrames++;
                    newTrackedObjects[obj.first] = obj.second;
                    matched = true;
                    break;
                }
            }
            if (!matched) {
                // 新增物体
                StaticObject newObj{rect, 1, false};
                newTrackedObjects[objectId++] = newObj;
            }
        }
        trackedObjects = newTrackedObjects;

        // 检测遗留物（驻留超过阈值）
        for (auto& obj : trackedObjects) {
            if (obj.second.stayFrames > 100 && !obj.second.isWarning) { // 假设100帧为阈值
                obj.second.isWarning = true;
                rectangle(frame, obj.second.bbox, Scalar(0,0,255), 2);
                putText(frame, "Warning: Static Object!", Point(10,30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0,0,255), 2);
            } else if (obj.second.isWarning) {
                rectangle(frame, obj.second.bbox, Scalar(0,0,255), 2);
            }
        }

        // 显示结果
        imshow("Frame", frame);
        imshow("Foreground Mask", fgMask);
        if (waitKey(30) == 27) break;
    }

    cap.release();
    destroyAllWindows();
    return 0;
}

---

关键步骤解析

1. 背景建模：

   • 使用createBackgroundSubtractorMOG2创建背景模型，动态更新背景。
   • apply方法生成前景掩模（fgMask）。

2. 形态学去噪：

   • 开运算（MORPH_OPEN）消除小噪声。
   • 闭运算（MORPH_CLOSE）填充物体内部空洞。

3. 轮廓检测与过滤：

   • findContours提取前景物体轮廓。
   • 过滤面积过小的噪声区域（如contourArea > 500）。

4. 物体跟踪：

   • 使用简单的交并比（IOU）匹配新旧物体位置。
   • 更新物体的驻留时间（stayFrames）。

5. 遗留物判定：

   • 驻留时间超过阈值（如100帧）时触发报警。
   • 用红色框标注遗留物，并显示警告文本。

---

优化方向

1. 更精准的跟踪算法：

   • 使用卡尔曼滤波（cv::KalmanFilter）或光流法（cv::calcOpticalFlowPyrLK）优化物体跟踪。

2. 减少误检：

   • 结合颜色、纹理特征过滤临时静止物体（如短暂停留的行人）。
   • 使用深度学习模型（YOLO等）分类物体是否为可疑遗留物。

3. 多摄像头协同：

   • 多视角联合分析，解决遮挡问题。

4. 实时性优化：

   • 使用UMat加速计算（OpenCL）。
   • 多线程处理视频帧。

---

效果示意图

输入帧	前景掩模	遗留物检测结果

---

通过此方案，可实现对视频中静止遗留物体的实时检测。实际部署时需根据场景调整参数（如驻留时间阈值、形态学核大小等）。