一、幀差法（移動目標識別）：

好處：開銷小，不怎么消耗CPU的算力，對硬件要求不高，但只適合固定攝像頭

1、優點

1. 計算效率高，硬件要求

2. 響應速度快，實時性強

   直接利用連續幀的像素差異檢測運動，延遲極低，可實時捕捉動態目標的運動軌跡。

3. 無需背景建模，適應動態變化

   不依賴靜態背景模型（如高斯混合模型 GMM），因此對光照突變、背景微小變化（如樹葉晃動）不敏感，魯棒性優于部分背景差分法。

4. 內存占用少

   僅需存儲前一幀或前幾幀圖像，內存開銷小，適合資源受限的系統。

2、缺點

1. 僅適用于固定攝像頭場景

2. 無法檢測靜止目標

   若目標在相鄰幀間無位移（如短暫靜止的行人），差分結果中目標區域像素差異為零，會被誤認為背景，導致漏檢。

3. 對噪聲敏感，檢測精度低

   微小噪聲（如傳感器噪聲、光線波動）會導致差分圖像出現大量 “偽運動區域”，需依賴形態學操作（如腐蝕、膨脹）降噪，但可能模糊目標邊界或丟失細節。

4. 目標 “空洞化” 與 “斷裂” 問題

   當目標內部像素變化較小時（如純色物體），差分后可能出現 “空洞”；若目標運動速度快，相鄰幀重疊區域少，可能導致檢測結果不連續（如車輛被分割為多個碎片）。

5. 無法提供目標完整信息

   僅能檢測運動區域的位置和輪廓，無法獲取目標類別（如人、車）、尺寸、歷史軌跡關聯等高級信息，需結合其他算法（如目標跟蹤、深度學習分類）補充。

步驟	目的	核心操作 / 算法
1. 讀取圖像	獲取視頻流中的連續幀（如第?t?幀和第?t+1?幀）	VideoCapture?+?read()
2. 灰度轉換	減少計算復雜度，突出亮度變化	cvtColor()
3. 幀差分計算	計算相鄰幀像素差異，突出運動區域	absdiff()
4. 二值化處理	將差分結果轉換為二值圖像（前景為運動區域，背景為靜止區域）	threshold()
5. 降噪	去除噪聲，連接斷裂的運動區域	腐蝕（erode()）+ 膨脹（dilate()）
6. 多邊擬合	提取運動目標輪廓，過濾無效噪聲	findContours()?+ 輪廓面積過濾
7. 結果輸出	在原圖標記目標區域并顯示 / 保存	rectangle()?+?imshow()

3.開、閉運算

開運算：先腐蝕在膨脹，用來消除圖像周邊小白點

閉運算：先膨脹在腐蝕，用來消除物體內部的小黑點

二、opencv級聯分類器：

正樣本數據采集：需要檢測的物體圖片

負樣本數據采集：非檢測物的圖片（是正樣本的3倍）

1.優點

• 可檢測特定目標，泛化能力較強（需充分訓練）。
• 計算效率高（級聯結構快速排除非目標區域）。
• 無需視頻時序信息，適用于單圖像檢測。

2.缺點

• 需要大量標注數據進行訓練，且訓練過程耗時。
• 僅能檢測預定義目標，無法檢測未知類型目標。
• 對目標尺度、姿態變化敏感（需多尺度檢測或重新訓練）。

3.步驟：

• 1.灰度處理

Mat gray;
cvtColor(frame,gray,CV_BGR2GRAY);

• 2.壓縮到原來一半

Mat small(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
resize(gray,small,small.size(),0,0,INTER_LINEAR);

• 3.直方圖均衡化

equalizeHist(small,small);

• 4.用級聯分類識別車輛

?vector<Rect> cars;
cascade.detectMultiScale(small,cars,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));

• 5.繪制矩形

vector<Rect>::const_iterator iter;

for(iter=cars.begin();iter!=cars.end();iter++){
? ? rectangle(frame,
? ? ? ? ?cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),
? ? ? ? ?cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),
? ? ? ? ?Scalar(0,255,0),
? ? ? ? ?2,3
? ? ? ? );

}

#include <iostream>
#include <opencv2/opencv.hpp>using namespace cv;
using namespace std;void detec_car(Mat& frame,CascadeClassifier& cascade,double scale)
{//1.灰度處理Mat gray;cvtColor(frame,gray,CV_BGR2GRAY);//2.壓縮到原來一半Mat small(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);resize(gray,small,small.size(),0,0,INTER_LINEAR);//3.直方圖均衡化equalizeHist(small,small);//4.用級聯分類識別車輛vector<Rect> cars;cascade.detectMultiScale(small,cars,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));//5.繪制矩形vector<Rect>::const_iterator iter;for(iter=cars.begin();iter!=cars.end();iter++){rectangle(frame,cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),Scalar(0,255,0),2,3);}imshow("res",frame);
}int main()
{Mat frame;//加載級聯分類器CascadeClassifier cascade;cascade.load("xml/cars.xml");VideoCapture video("video/carMove.mp4");while(video.read(frame)){imshow("video",frame);detec_car(frame,cascade,2.0);waitKey(40);}return 0;
}

三、透視變換

將傾斜的圖片物品扯平變正

（1）findHomography函數

Mat findHomography( InputArray srcPoints, InputArray dstPoints,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?int method = 0, double ransacReprojThreshold = 3,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?OutputArray mask=noArray(), const int maxIters = 2000,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?const double confidence = 0.995);

//輸入點擊坐標順序，接收順序（都是存在容器當中）

通過原圖四個坐標和轉化后四個坐標計算映射矩陣

Mat homo=findHomography(data.points,obj,CV_FM_RANSAC);

（2）warpPerspective函數

void warpPerspective( InputArray src, OutputArray dst,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?InputArray M, Size dsize,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?int flags = INTER_LINEAR,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?int borderMode = BORDER_CONSTANT,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?const Scalar& borderValue = Scalar());

?warpPerspective(img,result,homo,result.size());

#include <iostream>#include <opencv2/opencv.hpp>using namespace cv;
using namespace std;typedef struct{Mat img;//需操作的圖像vector<Point2f> points;//保存每次鼠標點擊的位置信息
}DATA;void mouseHandle(int event,int x,int y,int flag,void* arg){DATA* pd=(DATA*)arg;if(event==EVENT_LBUTTONDOWN){//鼠標左鍵按下//圖片，中心坐標，半徑，圓顏色，邊緣粗細，線條類型circle(pd->img,Point(x,y),3,Scalar(0,255,0),3,CV_AA);if(pd->points.size()<4){pd->points.push_back(Point2f(x,y));}imshow("book",pd->img);}}
int main()
{//行列（高寬）Mat result=Mat::zeros(400,800,CV_8UC1);Mat img=imread("image/1.jpg");imshow("book",img);DATA data;data.img=img;setMouseCallback("book",mouseHandle,&data);waitKey(0);//設置轉換后的坐標//這個順序要與點擊順序一致，左上為開始，順時針vector<Point2f> obj;obj.push_back(Point2f(0,0));obj.push_back(Point2f(800,0));obj.push_back(Point2f(800,400));obj.push_back(Point2f(0,400));//通過原圖四個坐標和轉化后四個坐標計算映射矩陣Mat homo=findHomography(data.points,obj,CV_FM_RANSAC);imshow("homo",homo);//四個參數類型//InputArray src,   OutputArray dst,  InputArray M,   Size dsizewarpPerspective(img,result,homo,result.size());imshow("result",result);waitKey(0);return 0;
}