如何使用OpenCV检测图像帧中的对象？

Question

我正在使用Raspberry Pi开发一个流动站，它将扫过一个房间并拾取倒在地上的物体。为了检测物体，我使用的是参考图像，它是在流动站操作开始时拍摄的，以及每10秒钟点击一次的图像（新图像）。为了确定图像帧是否有变化，我在参考图像和新图像之间进行图像相减。如果发现任何差异，它将围绕它绘制轮廓，如果轮廓区域大于某个阈值（警告步骤），则得出结论存在一个对象。

我使用以下代码 -

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 !")

上面的代码只使用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项目中使用的原始代码。

现在，上面的代码适用于非常受控制的情况，例如，当图像背景非常恒定或者没有阴影时。但考虑到漫游车将在房间内移动的事实，并且即使在框架中没有真实物体，照明变化也可能触发虚假物体检测。由于阴影效果的假轮廓，可能会触发差异。

我想知道，如果还有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。我还考虑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，以获得任何帧更改（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”之后是侵蚀和膨胀。之后，我找到最大的轮廓并确定是否有物体。算法中使用的图像如下 -

1. 背景图片 - Background Image

2. 前景图片 - 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。我用了很少的其他前景图像来测试算法。他们给出了令人满意的结果。我想知道，如果有任何其他方法可以获得更好的效率同样的结果。

PS-所有前景图像都是在闪光灯开启时拍摄的。我尝试使用Flash OFF，但图像中似乎存在很多噪音。

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

编辑2 -

使用其他图片的算法表现 -

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所描述的那么简单，当我们在真实场景中移动时会变得非常复杂。

但是无论如何假设您只在房间中存在小物体，那么您可以通过识别捕获的二进制图像中的连接组件来识别它们，并根据它们的相对像素大小选择它们。

以下是相同的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

包含对象的图片：

使用连接的组件标签检测到的对象：

Answer 2

您可以考虑的另一种方法是使用运动结构，重建环境/点云，地板表面上方的点群属于您的对象。也可以将其与背景减法方法结合使用，以消除错误检测，如导致该方法出现问题的阴影。