python - 如何使用 OpenCV 检测图像帧中的对象？

Question

我正在使用 Raspberry Pi 开发一个漫游器，它可以清扫房间并捡起掉在地上的物体。为了检测物体，我使用了一个引用图像，它是在漫游者开始运行时拍摄的，以及一个每 10 秒单击一次的图像(新图像)。为了确定图像帧是否有变化，我在引用图像和新图像之间进行了图像减法。如果发现任何差异，它会在其周围绘制轮廓，如果轮廓面积大于某个阈值(警告步骤)，则断定存在对象。

我正在使用以下代码-

import numpy as np
import cv2,time

img=cv2.imread("object1.jpg")
img1=cv2.imread("object2.jpg")
sub=cv2.subtract(img,img1)

gray=cv2.cvtColor(sub,cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray,(3,3),0)
_, contours, _= cv2.findContours(blur,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
c=max(contours,key=cv2.contourArea)
print(cv2.contourArea(c))

if cv2.contourArea>20000:
   print("Object detected !")

以上代码仅使用 2 张图像来计算它们的差异并确定是否存在对象。请注意，我没有在此处发布我将在我的项目中使用的原始代码。

现在，上面的代码在非常受控的情况下工作得很好，比如说，当图像背景非常恒定或者其中没有阴影时。但考虑到漫游车将在房间内四处移动，并且即使画面中没有真实物体，照明变化也有可能触发错误物体检测。由于阴影效果的错误轮廓，可能会触发差异。

我想知道是否有任何其他方法可以在不进行前景/背景图像减法的情况下实现此对象检测。我也考虑过使用超声波传感器来检测物体的存在，但这不是一个非常可靠的选择。我更喜欢基于图像处理的解决方案。

谢谢。

============================================= ===========================

编辑 1 -

所以，我决定稍微改变一下算法。我已经对前景和背景图像进行了阈值处理，然后在二进制图像之间执行了 absdiff，以获得任何帧变化(对象)。代码如下——

import numpy as np
import cv2,time

img1=cv2.imread("back.jpeg")
blur1 = cv2.GaussianBlur(img1,(5,5),0)
gray1=cv2.cvtColor(blur1,cv2.COLOR_BGR2GRAY)
ret,thresh1 = cv2.threshold(gray1,65,255,cv2.THRESH_BINARY_INV)

img2=cv2.imread("front.jpeg")
blur2 = cv2.GaussianBlur(img2,(5,5),0)
gray2=cv2.cvtColor(blur2,cv2.COLOR_BGR2GRAY)
ret,thresh2 = cv2.threshold(gray2,65,255,cv2.THRESH_BINARY_INV)

diff=cv2.absdiff(thresh2,thresh1)
diff=cv2.bitwise_xor(diff,thresh1)

kernel = np.ones((2,2),np.uint8)
diff=cv2.erode(diff,kernel,iterations = 1)
diff=cv2.dilate(diff,kernel,iterations = 8)

_, contours, _= cv2.findContours(diff,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
c=max(contours,key=cv2.contourArea)
x,y,w,h = cv2.boundingRect(c)
cv2.rectangle(diff,(x,y),(x+w,y+h),(125,125,125),2)


cv2.imshow("thresh",diff)
cv2.waitKey(0)

“absdiff”之后是 Erosion 和 Dilation。之后，我找到最大的轮廓并确定是否有物体。算法中使用的图片如下-

1. 背景图片 - Background Image

2. 前景图像 - Foreground image

3. 前景阈值 - Foreground threshold Image

4. 背景阈值 - Background threshold Image

5. 差异图像 - Final Image with contour and its boundary .

如您所见，检测工作正常。我几乎没有其他前景图像可以用来测试算法。他们给出了令人满意的结果。我想知道是否有任何其他方法可以更有效地实现相同的结果。

PS-所有前景图片都是在开启闪光灯的情况下拍摄的。我试过关闭闪光灯，但图像中似乎存在很多噪点。

============================================= ==============

编辑 2-

使用其他图片的算法性能 -

注意:- 背景图像保持不变。

1. 对象 1 - Foreground Image 1
2. 对象 1 检测 - Foreground Image 1 Result

Answer 1

我怀疑这个问题是否像你在问题中描述的那么简单，当我们进入现实世界场景时它会变得非常复杂。

但是无论如何，假设您只有房间中存在小物体，那么您可以通过识别捕获的二值图像中的连通分量来识别它们，并根据它们的相对像素大小来选择它们。

这是相同的 Python 实现:

img = cv2.imread('D:/Image/objects.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# binarize the image
ret, bw = cv2.threshold(gray, 128, 255, 
cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

# find connected components
connectivity = 4
nb_components, output, stats, centroids = 
cv2.connectedComponentsWithStats(bw, connectivity, cv2.CV_32S)
sizes = stats[1:, -1]; nb_components = nb_components - 1
min_size = 250 #threshhold value for objects in scene
img2 = np.zeros((img.shape), np.uint8)
for i in range(0, nb_components+1):
    # use if sizes[i] >= min_size: to identify your objects
    color = np.random.randint(255,size=3)
    # draw the bounding rectangele around each object
    cv2.rectangle(img2, (stats[i][0],stats[i][1]),(stats[i][0]+stats[i][2],stats[i][1]+stats[i][3]), (0,255,0), 2)
    img2[output == i + 1] = color

图像包含对象:

使用连接组件标签检测到的对象: