PiscCode使用OpenCV和Python实现运动检测与可视化-CSDN博客

光流分析是计算机视觉中的重要技术，用于检测视频序列中物体的运动模式。本文将介绍如何使用OpenCV和Python实现一个实时的光流分析系统，该系统能够检测运动、生成热力图并提供详细的统计分析。

技术概述

本系统基于Farneback稠密光流算法，能够：

实时计算视频帧之间的运动向量
生成运动热力图可视化
提供多种统计分析（均值、中位数、众数等）
显示历史数据趋势图表

核心代码解析

初始化设置

class DenseOpticalFlow:
    def __init__(self):
        self.init_parameters()
        self.prev_time = None
        self.fps = 30
        
        # 历史统计数据
        self.max_history_length = 100
        self.displacement_history = deque(maxlen=self.max_history_length)
        self.mean_history = deque(maxlen=self.max_history_length)
        self.median_history = deque(maxlen=self.max_history_length)
        self.mode_history = deque(maxlen=self.max_history_length)
        self.speed_history = deque(maxlen=self.max_history_length)

使用deque数据结构来存储历史数据，自动维护固定长度的历史记录。

光流计算

def do(self, frame, device="cpu"):
    current_time = cv2.getTickCount() / cv2.getTickFrequency()
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 计算光流
    flow = cv2.calcOpticalFlowFarneback(
        self.prev_gray, gray_frame, None,
        self.flow_params["pyr_scale"], self.flow_params["levels"],
        self.flow_params["winsize"], self.flow_params["iterations"],
        self.flow_params["poly_n"], self.flow_params["poly_sigma"],
        self.flow_params["flags"]
    )

使用OpenCV的calcOpticalFlowFarneback函数计算稠密光流，该算法能够为每个像素点生成运动向量。

数据处理与可视化

# 计算运动幅值
magnitude, _ = cv2.cartToPolar(flow[...,0], flow[...,1])

# 排除0值，只分析实际运动区域
nonzero_magnitude = magnitude[magnitude > 0]

# 生成热力图
magnitude_norm = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)
heatmap = cv2.applyColorMap(np.uint8(magnitude_norm), cv2.COLORMAP_INFERNO)
通过极坐标转换获取运动幅值，并使用INFERNO色彩映射生成热力图，红色表示高强度运动，蓝色表示低强度运动。

统计分析

# 计算统计量
if len(nonzero_magnitude) > 0:
    mean_val = float(np.mean(nonzero_magnitude))
    median_val = float(np.median(nonzero_magnitude))
    mode_val = float(stats.mode(nonzero_magnitude, keepdims=True)[0][0])
else:
    mean_val = median_val = mode_val = 0.0

# 更新历史数据
self.mean_history.append(mean_val)
self.median_history.append(median_val)
self.mode_history.append(mode_val)

系统计算三种主要统计量：

均值：运动幅值的平均值
中位数：运动幅值的中位数，对异常值不敏感
众数：最常见的运动幅值

可视化界面

def add_statistics_chart(self, side_by_side, magnitude):
    # 创建matplotlib图表
    fig = plt.figure(figsize=(width/100, chart_height/100), dpi=100)
    gs = fig.add_gridspec(1,2, width_ratios=[1,1], wspace=0.3)
    
    # 左图：当前帧位移分布直方图
    ax1 = fig.add_subplot(gs[0])
    if len(magnitude) > 0:
        ax1.hist(magnitude.flatten(), bins=30, color="green", alpha=0.7)
    
    # 右图：历史统计趋势线
    ax2 = fig.add_subplot(gs[1])
    x_vals = np.arange(len(self.mean_history))
    if len(x_vals) > 0:
        ax2.plot(x_vals, list(self.mean_history), label="Mean", color="blue")
        ax2.plot(x_vals, list(self.median_history), label="Median", color="orange")
        ax2.plot(x_vals, list(self.mode_history), label="Mode", color="green")

可视化界面分为两部分：