概述
由于Python编程语言提供了多种开源库，因此使用Python进行运动检测很容易。运动检测在现实世界中有许多应用。例如，它可以用于在线考试的监考，或用于商店、银行等的安全目的。
简介
Python编程语言是一种开源的库丰富的语言，它为用户提供了大量的应用，并拥有众多的用户。因此，它在市场上快速发展。由于Python语言的语法简单，容易发现错误，而且调试过程快，使其更方便用户使用，所以它的好处不胜枚举。
为什么要学习Python？一个图示。
资料来源：《中国日报》。Scaler Topics
Python设计于1991年，它是由Python软件基金会开发的。有许多版本的Python被发布。在这些版本中，python2和python3是最有名的。目前，python3被广泛使用，python3的用户正在迅速增加。在这个项目或脚本中，我们将使用python3。
什么是运动检测？
根据物理学原理，当一个物体没有运动，没有速度，那么它就被认为是处于静止状态，而恰恰相反，当一个物体没有完全静止，并且在某个方向上有一些运动或速度，无论是左-右、前-后或上-下，那么它就被认为是在运动。在这篇文章中，我们将尝试对其进行检测。
来源：gtycat
运动检测在现实生活中有很多实现或使用，它可以证明自己的价值，例如使用网络摄像头监考在线考试（我们将在本文中实现），作为一个保安，等等。
在这篇文章中，我们将尝试实现一个脚本，通过这个脚本，我们将使用台式机或笔记本电脑的网络摄像头检测运动。我们的想法是，我们将采取两帧视频，并试图找到它们之间的差异。如果两帧之间有某种差异，那么很明显，摄像机前面的物体有某种运动，从而产生了这种差异。
重要的程序库
在我们开始执行代码之前，让我们看看我们将通过我们的代码使用的一些模块或库，用于网络摄像头的运动检测。正如我们所讨论的，库在python的名声中起着重要的作用，让我们看看我们需要什么。
- OpenCV
- Pandas
上述两个库，OpenCV和Pandas都是纯粹的基于python的、免费的、开源的库，我们将在Python3版本的python编程语言中使用它们。
1.1.OpenCV
OpenCV是一个开源的库，可以与许多编程语言如C++、Python等一起使用。它被用来处理图像和视频，通过使用或与python的panda/NumPy库集成，我们可以最好地利用OpenCV的功能。
2.2.潘达。
正如我们所讨论的，"Pandas"是Python的一个开源库，为数据分析提供了丰富的内置工具，因此它被广泛用于数据科学和数据分析的领域。pandas为我们提供了数据框架形式的数据结构，有助于操作和存储表格数据到一个二维数据结构。
以上讨论的两个模块都不是在python中内置的，我们必须在使用前先安装它们。除此之外，还有两个模块，我们将在我们的项目中使用。
- Python DateTime模块
- Python时间模块
这两个模块都是在Python中内置的，不需要再安装它们。这些模块分别处理与日期和时间有关的功能。
代码实现
到目前为止，我们已经看到了我们将在代码中使用的库，让我们开始实施，视频只是许多静态图像或帧的组合，所有这些帧的组合创造了一个视频：
导入所需的库
在本节中，我们将导入所有的库，如pandas和panda。然后我们从DateTime模块中导入cv2、time和DateTime函数。
# Importing the Pandas libraries
import pandas as panda
# Importing the OpenCV libraries
import cv2
# Importing the time module
import time
# Importing the datetime function of the datetime module
from datetime import datetime
初始化我们的数据变量
在这一节中，我们初始化了我们的一些变量，我们将在代码中进一步使用这些变量。我们将初始状态定义为 "无"，并将运动跟踪存储在另一个变量motionTrackList中。
我们定义了一个列表 "motionTime "来存储运动被发现的时间，并使用熊猫的模块初始化了dataFrame列表。
# Assigning our initial state in the form of variable initialState as None for initial frames
initialState = None
# List of all the tracks when there is any detected of motion in the frames
motionTrackList= [ None, None ]
# A new list ‘time’ for storing the time when movement detected
motionTime = []
# Initialising DataFrame variable ‘dataFrame’ using pandas libraries panda with Initial and Final column
dataFrame = panda.DataFrame(columns = ["Initial", "Final"])
主要的捕捉过程
在这一节中，我们将执行我们的主要运动检测步骤。让我们按步骤来理解它们。
- 首先，我们将使用cv2模块开始捕获视频，并将其存储在视频变量中。
- 然后我们将使用一个无限的while循环来捕捉视频中的每一帧。
- 我们将使用read()方法来读取每一帧，并将它们存储到各自的变量中。
- 我们定义了一个变量motion并将其初始化为零。
- 我们又创建了两个变量grayImage和grayFrame，使用cv2函数cvtColor和GaussianBlur来寻找运动的变化。
- 如果我们的initialState是None，那么我们就把当前的greyFrame分配给initialState，否则就使用'continue'关键字来停止下一个进程。
- 在下一节中，我们计算了我们在当前迭代中创建的初始帧和灰度帧之间的差异。
- 然后我们将使用cv2的阈值和扩张函数来突出初始帧和当前帧之间的变化。
- 我们将从当前图像或帧中找到移动物体的轮廓，并通过使用矩形函数在其周围创建一个绿色的边界来表明移动物体。
- 在这之后，我们将把当前检测到的元素添加到motionTrackList中。
- 我们通过使用imshow方法显示所有的帧，如灰度和原始帧等。
- 此外，我们使用cv2模块的witkey()方法创建了一个键来结束这个过程，我们可以通过使用'm'键来结束我们的过程。
# starting the webCam to capture the video using cv2 module
video = cv2.VideoCapture(0)
# using infinite loop to capture the frames from the video
while True:
# Reading each image or frame from the video using read function
check, cur_frame = video.read()
# Defining 'motion' variable equal to zero as initial frame
var_motion = 0
# From colour images creating a gray frame
gray_image = cv2.cvtColor(cur_frame, cv2.COLOR_BGR2GRAY)
# To find the changes creating a GaussianBlur from the gray scale image
gray_frame = cv2.GaussianBlur(gray_image, (21, 21), 0)
# For the first iteration checking the condition
# we will assign grayFrame to initalState if is none
if initialState is None:
initialState = gray_frame
continue
# Calculation of difference between static or initial and gray frame we created
differ_frame = cv2.absdiff(initialState, gray_frame)
# the change between static or initial background and current gray frame are highlighted
thresh_frame = cv2.threshold(differ_frame, 30, 255, cv2.THRESH_BINARY)[1]
thresh_frame = cv2.dilate(thresh_frame, None, iterations = 2)
# For the moving object in the frame finding the coutours
cont,_ = cv2.findContours(thresh_frame.copy(),
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cur in cont:
if cv2.contourArea(cur) < 10000:
continue
var_motion = 1
(cur_x, cur_y,cur_w, cur_h) = cv2.boundingRect(cur)
# To create a rectangle of green color around the moving object
cv2.rectangle(cur_frame, (cur_x, cur_y), (cur_x + cur_w, cur_y + cur_h), (0, 255, 0), 3)
# from the frame adding the motion status
motionTrackList.append(var_motion)
motionTrackList = motionTrackList[-2:]
# Adding the Start time of the motion
if motionTrackList[-1] == 1 and motionTrackList[-2] == 0:
motionTime.append(datetime.now())
# Adding the End time of the motion
if motionTrackList[-1] == 0 and motionTrackList[-2] == 1:
motionTime.append(datetime.now())
# In the gray scale displaying the captured image
cv2.imshow("The image captured in the Gray Frame is shown below: ", gray_frame)
# To display the difference between inital static frame and the current frame
cv2.imshow("Difference between the inital static frame and the current frame: ", differ_frame)
# To display on the frame screen the black and white images from the video
cv2.imshow("Threshold Frame created from the PC or Laptop Webcam is: ", thresh_frame)
# Through the colour frame displaying the contour of the object
cv2.imshow("From the PC or Laptop webcam, this is one example of the Colour Frame:", cur_frame)
# Creating a key to wait
wait_key = cv2.waitKey(1)
# With the help of the 'm' key ending the whole process of our system
if wait_key == ord('m'):
# adding the motion variable value to motiontime list when something is moving on the screen
if var_motion == 1:
motionTime.append(datetime.now())
break
完成代码
关闭循环后，我们将把我们的数据从dataFrame和motionTime列表中添加到CSV文件中，最后关闭视频。
# At last we are adding the time of motion or var_motion inside the data frame
for a in range(0, len(motionTime), 2):
dataFrame = dataFrame.append({"Initial" : time[a], "Final" : motionTime[a + 1]}, ignore_index = True)
# To record all the movements, creating a CSV file
dataFrame.to_csv("EachMovement.csv")
# Releasing the video
video.release()
# Now, Closing or destroying all the open windows with the help of openCV
cv2.destroyAllWindows()
过程总结
我们已经创建了代码，现在让我们再次简要地讨论一下这个过程。
首先，我们使用设备的网络摄像头拍摄了一段视频，然后以输入视频的初始帧为参考，并不时地检查接下来的帧。如果发现有与第一帧不同的帧，就说明有运动存在。这将被标记在绿色的矩形中。
合并代码
我们已经看到了不同部分的代码。现在，让我们把它结合起来。
# Importing the Pandas libraries
import pandas as panda
# Importing the OpenCV libraries
import cv2
# Importing the time module
import time
# Importing the datetime function of the datetime module
from datetime import datetime
# Assigning our initial state in the form of variable initialState as None for initial frames
initialState = None
# List of all the tracks when there is any detected of motion in the frames
motionTrackList= [ None, None ]
# A new list 'time' for storing the time when movement detected
motionTime = []
# Initialising DataFrame variable 'dataFrame' using pandas libraries panda with Initial and Final column
dataFrame = panda.DataFrame(columns = ["Initial", "Final"])
# starting the webCam to capture the video using cv2 module
video = cv2.VideoCapture(0)
# using infinite loop to capture the frames from the video
while True:
# Reading each image or frame from the video using read function
check, cur_frame = video.read()
# Defining 'motion' variable equal to zero as initial frame
var_motion = 0
# From colour images creating a gray frame
gray_image = cv2.cvtColor(cur_frame, cv2.COLOR_BGR2GRAY)
# To find the changes creating a GaussianBlur from the gray scale image
gray_frame = cv2.GaussianBlur(gray_image, (21, 21), 0)
# For the first iteration checking the condition
# we will assign grayFrame to initalState if is none
if initialState is None:
initialState = gray_frame
continue
# Calculation of difference between static or initial and gray frame we created
differ_frame = cv2.absdiff(initialState, gray_frame)
# the change between static or initial background and current gray frame are highlighted
thresh_frame = cv2.threshold(differ_frame, 30, 255, cv2.THRESH_BINARY)[1]
thresh_frame = cv2.dilate(thresh_frame, None, iterations = 2)
# For the moving object in the frame finding the coutours
cont,_ = cv2.findContours(thresh_frame.copy(),
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cur in cont:
if cv2.contourArea(cur) < 10000:
continue
var_motion = 1
(cur_x, cur_y,cur_w, cur_h) = cv2.boundingRect(cur)
# To create a rectangle of green color around the moving object
cv2.rectangle(cur_frame, (cur_x, cur_y), (cur_x + cur_w, cur_y + cur_h), (0, 255, 0), 3)
# from the frame adding the motion status
motionTrackList.append(var_motion)
motionTrackList = motionTrackList[-2:]
# Adding the Start time of the motion
if motionTrackList[-1] == 1 and motionTrackList[-2] == 0:
motionTime.append(datetime.now())
# Adding the End time of the motion
if motionTrackList[-1] == 0 and motionTrackList[-2] == 1:
motionTime.append(datetime.now())
# In the gray scale displaying the captured image
cv2.imshow("The image captured in the Gray Frame is shown below: ", gray_frame)
# To display the difference between inital static frame and the current frame
cv2.imshow("Difference between the inital static frame and the current frame: ", differ_frame)
# To display on the frame screen the black and white images from the video
cv2.imshow("Threshold Frame created from the PC or Laptop Webcam is: ", thresh_frame)
# Through the colour frame displaying the contour of the object
cv2.imshow("From the PC or Laptop webcam, this is one example of the Colour Frame:", cur_frame)
# Creating a key to wait
wait_key = cv2.waitKey(1)
# With the help of the 'm' key ending the whole process of our system
if wait_key == ord('m'):
# adding the motion variable value to motiontime list when something is moving on the screen
if var_motion == 1:
motionTime.append(datetime.now())
break
# At last we are adding the time of motion or var_motion inside the data frame
for a in range(0, len(motionTime), 2):
dataFrame = dataFrame.append({"Initial" : time[a], "Final" : motionTime[a + 1]}, ignore_index = True)
# To record all the movements, creating a CSV file
dataFrame.to_csv("EachMovement.csv")
# Releasing the video
video.release()
# Now, Closing or destroying all the open windows with the help of openCV
cv2.destroyAllWindows()
结果
运行上述代码后得出的结果将与下面的内容类似。
在这里，我们可以看到视频中的人的运动已经被跟踪了。因此，可以看到相应的输出。
然而，在这段代码中，跟踪将在移动物体周围的矩形框的帮助下完成，类似于下面所看到的。这里需要注意的是，该视频是一个安全摄像机的录像，已经完成了检测。
结论
-
Python编程语言是一种开放源码的丰富语言，为用户提供了许多应用。
-
当一个物体不动，没有速度，那么它就被认为是静止的，而恰恰相反，当一个物体没有完全静止，那么它就被认为是在运动。
-
OpenCV是一个开源的库，可以用于许多编程语言，通过与python的panda/NumPy库集成，我们可以最好地利用OpenCV的功能。
-
其主要思想是，每个视频都是由许多被称为帧的静态图像组合而成的，而帧之间的差异被用于检测
