Python+OpenCV基于帧差法实现人员活动检测

阿麦

发布时间：2026-10-13 | 6人浏览过

原创

本文介绍使用Python和OpenCV库，通过帧差法实现基于摄像头的人员活动检测。详细解析了从视频流获取、灰度转换、高斯滤波到轮廓提取的完整流程，并提供了可直接运行的源代码及参数调节建议，适用于机器人开发或本地监控场景。

Python+OpenCV基于帧差法实现人员活动检测

本文分享使用Python结合OpenCV库，通过摄像头实现人员活动检测的完整代码示例，供读者参考学习。

1.前言

近期参与机器人比赛，其中一项任务要求设备能够检测环境中是否存在人员活动。为此，先在PC端进行算法验证，随后计划将代码移植至机器人搭载的树莓派平台上。

2.工具

实现该功能主要依赖Python语言和OpenCV视觉处理模块，代码量精简，易于实现。

人员检测的原理

3.人员检测的原理

参考书籍《特征提取与图像处理（第二版）》（Mark S.Nixon和Alberto S.Aguado著），书中介绍了多种图像运动检测方法，本文选取其中最简单的一种进行实现。

该方法原理直观：假设获取了不同时间点的两帧图像，检测运动的最基础方式是计算图像间的差值。具体而言，通过计算像素亮度值的差异来反映变化或运动状态；若场景静止，差值结果为0；若目标发生移动，像素亮度值改变，差值结果即为非0值。

代码实现步骤

4.开始

（1）首先利用OpenCV开启摄像头模块，代码如下。本例使用笔记本电脑内置摄像头；若移植至树莓派，建议使用USB摄像头而非CSI摄像头，以便直接复用此代码。


camera = cv2.VideoCapture(0)

（2）接下来获取摄像头的视频尺寸，使用以下两个函数进行读取。


width = int(camera.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT))

（3）在检测轮廓前，需将图像转换为灰度图。若对灰度处理有疑问，可参考往期相关文章。


gray_pic = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

上述步骤完成了图像的灰度化处理。

（4）重点说明FPS（帧率）的设置，此处参考了其他代码的写法，具体实现如下。


start = time.time()
"""
xxxxx中间一部分代码省略
"""
 seconds = end - start
 if seconds < 1.0 / fps:
 time.sleep(1.0 / fps - seconds）

（5）随后对图像进行高斯滤波模糊处理。

高斯滤波属于线性平滑滤波，通俗理解即对整幅图像进行加权平均，每个像素点的值由其自身及邻域内其他像素值加权平均后得出，本质上是一个卷积过程。

虽然听起来复杂，但代码实现非常简洁。


gray_pic = cv2.GaussianBlur(gray_pic, (21, 21), 0)

需注意，高斯核尺寸（如21x21）必须为奇数，否则程序会报错。若需深入了解，后续可单独撰写关于高斯滤波的文章。

（6）计算前后两帧图像的差值。


img_delta = cv2.absdiff(pre_frame, gray_pic)

（7）进行阈值滤波，该代码逻辑是将灰度图中低于33的像素值置为0，高于33的像素值置为255。


thresh = cv2.threshold(img_delta, 30, 255, cv2.THRESH_BINARY)[1]

（8）利用形态学操作中的腐蚀与膨胀处理（此前文章已介绍，网上资料丰富，此处不再赘述）。


thresh = cv2.dilate(thresh, None, iterations=2)

（9）使用findContours函数检测物体轮廓。


image, contours, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

（10）在while(1)主循环中，通过按下'Q'键来结束摄像头调用。

这是通用的标准写法，直接复制即可使用。


if cv2.waitKey(1) & 0xFF == ord('q'):
 break

源代码与效果展示

5.附上源代码


import cv2
import time
# 定义摄像头对象，其参数0表示第一个摄像头
camera = cv2.VideoCapture(0)
# 测试用,查看视频size
width = int(camera.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT))
size = width,height
#打印一下分辨率
print(repr(size))
#设置一下帧数和前背景
fps = 5
pre_frame = None
 
while (1):
 start = time.time()
 # 读取视频流
 ret, frame = camera.read()
 # 转灰度图
 gray_pic = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
 
 if not ret:
 print("打开摄像头失败")
 break
 end = time.time()
 
 cv2.imshow("capture", frame)
 
 # 运动检测部分,看看是不是5FPS
 seconds = end - start
 if seconds < 1.0 / fps:
 time.sleep(1.0 / fps - seconds)
 gray_pic = cv2.resize(gray_pic, (480, 480))
 # 用高斯滤波进行模糊处理
 gray_pic = cv2.GaussianBlur(gray_pic, (21, 21), 0)
 
 # 如果没有背景图像就将当前帧当作背景图片
 if pre_frame is None:
 pre_frame = gray_pic
 else:
 # absdiff把两幅图的差的绝对值输出到另一幅图上面来
 img_delta = cv2.absdiff(pre_frame, gray_pic)
 # threshold阈值函数(原图像应该是灰度图,对像素值进行分类的阈值,当像素值高于（有时是小于）阈值时应该被赋予的新的像素值,阈值方法)
 thresh = cv2.threshold(img_delta, 30, 255, cv2.THRESH_BINARY)[1]
 # 用一下腐蚀与膨胀
 thresh = cv2.dilate(thresh, None, iterations=2)
 # findContours检测物体轮廓(寻找轮廓的图像,轮廓的检索模式,轮廓的近似办法)
 image, contours, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
 for c in contours:
  # 设置敏感度
  # contourArea计算轮廓面积
  if cv2.contourArea(c) < 1000:
  continue
  else:
  print("有人员活动！！！")
  # 保存图像
  TI = time.strftime('%Y-%m-%d', time.localtime(time.time()))
  cv2.imwrite("D:\\PYthon\\first_j\\" + "JC"+TI+ '.jpg', frame)
  break
 pre_frame = gray_pic
 
 if cv2.waitKey(1) & 0xFF == ord('q'):
 break
 
# release()释放摄像头
camera.release()
# destroyAllWindows()关闭所有图像窗口
cv2.destroyAllWindows()