16 OpenCV使用教程：视频处理之读取与处理视频流

查看大图

OpenCV 学习要把图像输入、处理步骤、检测结果和工程性能放在一起验证。阅读时可以按「一、读取视频流 -> 从摄像头读取视频流 -> 从视频文件读取 -> 获取视频属性」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「一、读取视频流」，再查「从摄像头读取视频流」。

在上篇教程中，我们讨论了目标检测的两个流行算法：YOLO和SSD。目标检测是计算机视觉中的一个重要应用，它使我们能够识别图像中的对象。然而，当我们需要处理动态视频流时，除了对象检测，还需要了解如何能够高效处理视频流。在本篇文章中，我们将深入探讨OpenCV如何读取和处理视频流。

一、读取视频流

在OpenCV中，可以使用cv2.VideoCapture类来读取视频流。该类可以处理来自文件、摄像头或其他视频源的输入。我们将以从摄像头读取视频流为例。

查看大图

使用 OpenCV 处理视频流时，先看摄像头或文件输入、帧读取、逐帧处理、显示输出、异常退出和资源释放。

1. 从摄像头读取视频流

以下是一个简单的示例，演示如何打开摄像头并读取视频流：

import cv2

# 打开摄像头，0表示默认摄像头
cap = cv2.VideoCapture(0)

# 检查摄像头是否打开成功
if not cap.isOpened():
    print("无法打开摄像头")
    exit()

while True:
    # 逐帧捕捉
    ret, frame = cap.read()
    if not ret:
        print("无法获取视频帧")
        break
    
    # 显示视频帧
    cv2.imshow('Camera', frame)
    
    # 按'q'键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源
cap.release()
cv2.destroyAllWindows()

在上面的代码中，cv2.VideoCapture(0)用于打开默认摄像头。通过循环读取每一帧视频并使用cv2.imshow显示在窗口中，我们可以实时查看摄像头录制的视频流。

2. 从视频文件读取

如果希望从视频文件中读取，可以将cv2.VideoCapture的参数更改为视频文件的路径：

cap = cv2.VideoCapture('video.mp4')

3. 获取视频属性

使用cap.get()方法可以获取视频的属性，如帧率、宽度和高度等：

# 获取视频的帧率
fps = cap.get(cv2.CAP_PROP_FPS)
# 获取视频的宽度
width = cap.get(cv2.CAP_PROP_FRAME_WIDTH)
# 获取视频的高度
height = cap.get(cv2.CAP_PROP_FRAME_HEIGHT)

print(f'帧率: {fps}, 宽度: {width}, 高度: {height}')

二、处理视频流

在读取到视频流后，我们可以对每一帧应用多种图像处理技术，例如滤波、边缘检测、特征提取等。在这一部分，我们将介绍如何对视频流进行简单的处理。

查看大图

《OpenCV使用教程：视频处理之读取与处理视频流》读到最后，可以把图里的流程当成检查表：问题是否明确，操作是否落地，判断标准是否能复用。

1. 灰度处理

将每一帧转换为灰度图像是视频处理中的常见操作：

gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Camera', gray_frame)

2. 边缘检测

使用Canny算法进行边缘检测：

edges = cv2.Canny(gray_frame, 100, 200)
cv2.imshow('Edges', edges)

3. 结合处理实例

将矩形框绘制到检测到的对象上，我们将演示如何结合上述处理进行简单的对象检测。例如，假设我们在视频流中要检测运动：

# 用于存储前一帧
prev_frame = None

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 转换为灰度图像
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 计算前一帧与当前帧之间的差异
    if prev_frame is not None:
        diff_frame = cv2.absdiff(prev_frame, gray_frame)
        _, thresh_frame = cv2.threshold(diff_frame, 30, 255, cv2.THRESH_BINARY)
        contours, _ = cv2.findContours(thresh_frame, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        # 在检测到的物体周围绘制矩形框
        for contour in contours:
            if cv2.contourArea(contour) < 500:
                continue
            (x, y, w, h) = cv2.boundingRect(contour)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        cv2.imshow('Motion Detection', frame)

    # 更新前一帧
    prev_frame = gray_frame

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

在这个示例中，我们定期对当前帧和前一帧之间的差异进行计算，并绘制出运动的边界框。这种简单的运动检测方法为之后更复杂的对象跟踪算法奠定了基础。

查看大图

读到这里，可以把《OpenCV使用教程：视频处理之读取与处理视频流》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《OpenCV使用教程：视频处理之读取与处理视频流》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

结论

在这一篇教程中，我们学习了如何使用OpenCV读取和处理视频流，不论是来自摄像头还是视频文件。我们展示了如何提取视频属性和进行基础图像处理。这些基本操作为后续的深入对象跟踪打下了基础。在下一篇文章中，我们将介绍如何在视频中实现对象跟踪，进一步提升我们的计算机视觉应用能力。