#Applies Threshold and converts it to black & white image
thresh_delta = cv2.threshold(delta_frame, 30, 255, cv2.THRESH_BINARY)[1]
thresh_delta = cv2.dilate(thresh_delta, None, iterations=0)
#finding contours on the white portion(made by the threshold)
cnts,_ = cv2.findContours(thresh_delta.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

最后一个命令在该黑白图像中查找轮廓，并给出用于创建边界框的坐标，如上面的视频所示。使用运动检测的好处：

1. 它不会保存无用的空闲镜头。因此，减少了其他算法的工作量，因为不会保存空闲帧进行处理。
2. 它需要较少的计算，并且适合实时实施。

阻碍与解决方案

给定的因素导致轮廓检测不理想，运动检测的幼稚方法会在执行开始时为所有比较保存第一帧。不好有几个原因：

• 白天的照明条件可能会改变。
• 天气变化。
• 执行时相机被遮挡。

解决方案：在没有运动的情况下，可以通过定期定期更新保存的帧来轻松解决此问题。

# Number of idle frames to pass before changing the saved frame 
# for further comparisions
FRAMES_TO_PERSIST = 1000

然后将其放在while循环中：

#increment delay counter for every idle frame
delay_counter += 1
#Update the saved first frame
if delay_counter > FRAMES_TO_PERSIST:
    delay_counter = 0
    first_frame = next_frame

当检测到运动时，将delay_counter设置为零，微小的物体（例如蜜蜂和昆虫）和通常不必要的轻微不必要的运动被存储起来。解决方案：如片段所示，我们应该在该区域设置一个阈值。

# Minimum boxed area(in pixels) for a detected motion to count as actual motion
# Use to filter out noise or small objects
MIN_SIZE_FOR_MOVEMENT = 2000

然后在while循环中放置一个if语句：

#Checks if the area is big enough to be considered as motion.
if cv2.contourArea(c) > MIN_SIZE_FOR_MOVEMENT:
    #Your code

各种平台上的基准:

所有这些都是针对同一视频（30-fps，1280x720）计算的。

Raspberry Pi 2：

• 规格
• 1.5 GHz处理器
• 1 GB内存
• 没有GPU
• FPS：每秒8.08帧

Jetson Nano：

• 规格
• 四核ARM处理器1.43Ghz
• 2 Gb内存
• GPU：128核心Nvidia Maxwell
• FPS：每秒33帧

个人电脑 ：

• 规格
• i7第八代处理器
• 16 GB内存
• GTX 1060 6 GB GPU
• FPS：每秒37帧

潜在应用：

智能铃：

如果有人站在您家门口，它将自动触发铃声，并向您发送提示。

潜在威胁警报：

如果有人站在您家门前的时间长于正常时间，它将提醒您。

结论

在本文中，我们实现了一个非常基本但重要的算法，可用于有效运行所有其他算法。可以对该运动检测算法进行更多修改，以使其更加健壮。