在动态场景中移动物体

我正在寻找一种代码来检测动态场景中的移动物体。大多数方法都使用背景减法，但对于动态背景，此方法不起作用。你有什么建议？我不想使用 AI 模型，因为它是一个嵌入式应用程序。
谢谢。

这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7778163
我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：人工智能AI中关于数据标注标签处理的工具集锦
除此之外, 这篇博客: 对图像直方图的理解中的 直方图均衡的目的是为了使灰度分布的更广泛，从而来拉伸对比度。 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。
第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。
第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是
其中，n是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。
来看看通过上述公式怎样实现的拉伸。假设有如下图像：
得图像的统计信息如下图所示，并根据统计信息完成灰度值映射：
直方图均衡化参考链接：https://www.cnblogs.com/tianyalu/p/5687782.html
您还可以看一下 CSDN讲师老师的AI出入证-人工智能助力疾控复工课程中的复杂网络技术可以构建跨多度连接、多种关联关系的图数据库数据服务小节, 巩固相关知识点

以下回答由chatgpt基于相关博客总结生成:

针对动态场景中移动物体的检测问题，建议使用运动目标检测（Moving Object Detection）方法。常用的运动目标检测方法包括基于光流的方法、基于帧差法的方法、基于背景建模的方法等。由于使用了背景减法的方法在动态背景下不起作用，可以考虑使用基于光流的方法或基于帧差法的方法进行处理。

基于光流的方法可以用来检测局部区域的运动物体，具体步骤如下：

对连续的两帧图像计算稠密光流场；
对光流场进行聚类，将与物体运动相关的光流聚为一类；
根据运动物体的形态特征，如运动轨迹、大小、形状等，抽取运动目标，并进行跟踪。

参考代码：

#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main()
{
    VideoCapture cap(0); //打开摄像头

    Mat frame, preFrame, grayFrame, preGrayFrame;
    vector<uchar> status;
    vector<float> err;

    //输入输出光流图像
    Mat flow, cflow;
    Mat img, img0;

    //创建随机颜色
    vector<Scalar> colors;
    RNG rng;
    for (int i = 0; i < 100; i++)
        colors.push_back(Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)));

    //循环处理视频流
    while (waitKey(30) != 27)
    {
        cap >> frame;
        if (frame.empty())
            break;

        cvtColor(frame, grayFrame, COLOR_BGR2GRAY);

        if (!preGrayFrame.empty())
        {
            calcOpticalFlowFarneback(preGrayFrame, grayFrame, flow, 0.5, 3, 15, 3, 5, 1.2, 0);
            cvtColor(preGrayFrame, cflow, COLOR_GRAY2BGR);

            //计算运动物体的边界矩形
            vector<vector<Point>> contour;
            vector<Vec4i> hierarchy;
            findContours(threshold, contour, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
            for (int i = 0; i < contour.size(); i++)
            {
                Rect box = boundingRect(contour[i]);
                rectangle(cflow, box, colors[i % 100], 2);
            }
            imshow("optical_flow", cflow);
        }

        preGrayFrame = grayFrame.clone();
    }

    return 0;
}

基于帧差法的方法可以用来检测全局区域的运动物体，具体步骤如下：

选取参考帧；
对当前帧与参考帧进行帧差计算，得到差分帧；
对差分帧进行阈值划分，得到二值图像；
对二值图像进行形态学操作，对噪点进行滤除，得到物体轮廓；
对物体轮廓进行聚类，提取运动目标。

参考代码：

#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main()
{
    VideoCapture cap(0); //打开摄像头

    Mat frame, preFrame, grayFrame, preGrayFrame, diffFrame, threshold;

    //循环处理视频流
    while (waitKey(30) != 27)
    {
        cap >> frame;
        if (frame.empty())
            break;

        cvtColor(frame, grayFrame, COLOR_BGR2GRAY);

        if (!preGrayFrame.empty())
        {
            //帧差计算
            absdiff(preGrayFrame, grayFrame, diffFrame);

            //二值化处理
            threshold(diffFrame, threshold, 30, 255, THRESH_BINARY);

            //形态学处理
            Mat element = getStructuringElement(MORPH_RECT, Size(5, 5));
            morphologyEx(threshold, threshold, MORPH_OPEN, element);

            //轮廓分析
            vector<vector<Point>> contour;
            vector<Vec4i> hierarchy;
            findContours(threshold, contour, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
            for (int i = 0; i < contour.size(); i++)
            {
                Rect box = boundingRect(contour[i]);
                rectangle(frame, box, Scalar(0, 0, 255), 2);
            }

            imshow("frame", frame);
            imshow("threshold", threshold);
        }

        preGrayFrame = grayFrame.clone();
    }

    return 0;
}

这是一篇原创研究文章，提出了一种基于 RGB-D 图像的视觉里程计方法，可以在动态室内场景中检测移动物体并估计相机位姿。该方法使用三角形约束和极线几何约束来分类 RGB 图像上的特征点，并将分类后的特征点映射到深度图像上，根据动态特征点的数量来给每个聚类分配一个动态或静态的标签，从而生成一个动态区域掩码，去除被掩码覆盖的特征点，最后使用剩余的静态特征点来估计相机位姿。
参考链接：https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/csy2.12079