【深度学习】OpenCV 视频分析实战：背景建模 + 形态学处理实现运动目标检测

完整代码一览

import cv2 cap=cv2.VideoCapture('test.avi')kernel=cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))fgbg=cv2.createBackgroundSubtractorMOG2()whileTrue:ret,fream=cap.read()ifnot ret:breakcv2.imshow('fream',fream)fgmask=fgbg.apply(fream)cv2.imshow('famask',fgmask)fgmask_new=cv2.morphologyEx(fgmask,cv2.MORPH_OPEN,kernel)cv2.imshow('famask1',fgmask_new)contours=cv2.findContours(fgmask_new,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2]forc in contours:perimeter=cv2.arcLength(c,True)ifperimeter>188:x,y,w,h=cv2.boundingRect(c)fgmask_new_rect=cv2.rectangle(fream,(x,y),(x+w,y+h),(0,0,255),2)cv2.imshow('fgmask_new_rect',fgmask_new_rect)k=cv2.waitKey(60)ifk==27:# ESC 键退出breakcap.release()cv2.destroyAllWindows()

打开视频与定义内核

import cv2 cap=cv2.VideoCapture('test.avi')

cv2.VideoCapture：创建一个视频捕获对象，参数可以是视频文件路径或摄像头设备号（0 表示默认摄像头）。这里指定了 ‘test.avi’，表示读取本地视频文件。

定义结构内核

kernel=cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))

定义了一个 十字形结构内核，尺寸为 3×3。这个内核将用于形态学操作（开运算）。十字形结构适合处理细长的噪声或连接断裂的前景区域。

创造背景减除器

fgbg=cv2.createBackgroundSubtractorMOG2()

创建一个 MOG2 背景减除器。MOG2 是基于高斯混合模型的背景建模算法，它能自动学习背景，并且能区分阴影（通过阴影检测参数）。我们使用默认参数即可。

视频逐帧处理

读取帧

whileTrue:ret,fream=cap.read()ifnot ret:breakcv2.imshow('fream',fream)#无限循环不断读取视频的下一帧。

cap.read() 返回两个值：ret 表示是否成功读取（布尔值），fream 是当前帧图像（注意变量名拼写错误，但无影响）。

如果 ret 为 False，说明视频已读完或读取失败，则跳出循环,同时显示原始帧，方便观察视频内容。

前景掩码

fgmask=fgbg.apply(fream)cv2.imshow('famask',fgmask)

fgbg.apply(fream) 将当前帧输入到背景减除器中，返回一个二值图像 fgmask：白色（255）区域表示前景（运动物体），黑色（0）区域表示背景。
显示这个前景掩码，你会看到运动目标呈白色块状，但往往会有很多噪点（小白色斑点）和内部空洞。
运行结果：

去除噪声，分离目标

fgmask_new=cv2.morphologyEx(fgmask,cv2.MORPH_OPEN,kernel)cv2.imshow('famask1',fgmask_new)

cv2.morphologyEx 执行形态学操作，这里用的是 开运算（MORPH_OPEN），即先腐蚀后膨胀。
开运算的效果：去除细小的白色噪点（相当于“擦掉”孤立的小白点），同时断开黏连在一起的大块目标（如果两个物体靠得太近，开运算能稍微分开它们）。

使用我们之前定义的 3×3 十字内核，强度适中，不会过度破坏目标轮廓。处理后，前景掩码会更干净，噪声减少。
运行结果：

轮廓检测与过滤

contours=cv2.findContours(fgmask_new,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2]forc in contours:perimeter=cv2.arcLength(c,True)ifperimeter>188:x,y,w,h=cv2.boundingRect(c)fgmask_new_rect=cv2.rectangle(fream,(x,y),(x+w,y+h),(0,0,255),2)

cv2.findContours 在去噪后的前景掩码上查找轮廓。RETR_EXTERNAL 只检测最外层轮廓，CHAIN_APPROX_SIMPLE 压缩轮廓点以节省内存。

遍历每个轮廓 c：

cv2.arcLength(c, True) 计算轮廓的周长（闭合）。如果周长 大于 188，则认为这个目标足够大（过滤掉小噪点），然后：
cv2.boundingRect© 获取外接矩形的左上角坐标 (x,y) 和宽高 (w,h)。

cv2.rectangle 在原图 fream 上绘制红色矩形框，线宽 2。

显示结果与退出控制

cv2.imshow('fgmask_new_rect',fgmask_new_rect)k=cv2.waitKey(60)ifk==27:break

显示绘制了矩形框的帧。

运行结果：

释放资源

cap.release()cv2.destroyAllWindows()

释放视频捕获资源，关闭所有 OpenCV 窗口。

调优建议

关键参数调优：

周长阈值 188：需要根据视频中目标的大小调整。如果目标较小，可降低阈值；如果背景噪声多，可提高阈值。

内核尺寸：3×3 适合小目标，若目标大或噪声多，可增大内核（如 5×5）增强去噪效果。

形态学操作：开运算适合去除噪声，如果前景内部空洞多，可改用闭运算（先膨胀后腐蚀）填充空洞。

等待时间 waitKey：数值越大，播放越慢；若设为 1，则播放尽可能快。
如果视频没有运动物体，前景掩码将是全黑，矩形框也不会出现。