OpenCV如何检测照片中未在之前照片出现的新增目标

这个固定机位定时拍摄场景下的新增目标检测需求完全可以通过OpenCV实现，不需要额外依赖重型深度学习框架就能拿到生产可用的效果，核心是要避开原始帧差法的坑，针对跨时段光照、阴影变化做适配处理。

• 不要用布设时拍的单张初始图当永久参照：昼夜切换、晴阴变化带来的整体光照差会让直接像素比对的方法满屏误检。你可以用OpenCV自带的动态背景建模接口维护实时更新的背景库，这几个接口本身就对缓慢光照变化、阴影移动有适配能力：
  • 常规白天/清晨/傍晚场景优先用cv2.createBackgroundSubtractorMOG2()，开启内置的阴影检测参数，算法会自动把阴影、缓慢变化的光线归为背景，不会误判成新增目标。
  • 夜间高噪点场景可以替换成cv2.createBackgroundSubtractorKNN()，对传感器噪点的抗干扰能力更强，检测稳定性更好。
• 加两层预处理过滤细碎干扰：
  • 所有待检测帧送入背景模型前，先调用cv2.GaussianBlur()做高斯模糊，压掉传感器噪点、树叶轻微晃动这类无意义的细碎画面变化。
  • 拿到算法输出的前景掩膜后，先用cv2.morphologyEx()做形态学开运算，去掉孤立的小噪点块，再调用cv2.connectedComponentsWithStats()做连通域分析，过滤掉面积过小、长宽比不符合行人/车辆特征的误检块，剩下的区域就是真实的新增目标。
• 加光照骤变兜底逻辑：遇到云层遮太阳、路灯突然亮灭这类瞬间整帧亮度跳变的情况，背景模型会短时间失准，可以加个整帧平均亮度的判断逻辑，当亮度跳变超过预设阈值时，暂停3-5个拍摄周期的检测，等背景模型更新适配新光照条件后再恢复，能过滤掉绝大多数这类场景下的误报。

纯夜间无补光、画面全是噪点/黑块的场景属于硬件输入限制，任何视觉算法都没法完成准确检测，和OpenCV本身能力无关。
如果场景里存在长期静止的临时目标（比如连续停了好几天的车），动态背景模型会逐渐把它归类为背景，如果需要识别这类长期存在但初始布设时没有的目标，可以额外维护一张按周更新的长周期基准图，和实时检测结果做交叉校验即可。

内容的提问来源于stack exchange，提问作者Robotex