如何利用OpenCV在云层光照变化场景下检测移动车辆

我太懂你这个痛点了——非云影的全局光照波动简直是传统背景减除算法的死穴，这类均匀的亮度变化会被误判成前景运动，直接把MOG、KNN这类依赖稳定背景的算法搞懵。结合你用OpenCV的场景，给你几个针对性的解决方案：

1. 先做光照归一化预处理 #

在背景减除前先把全局光照波动抹平，从根源减少干扰：

方法A：全局直方图均衡化（快速有效） #

适合光照变化幅度较大的场景，先转灰度图做均衡再转回彩色给背景减除：

import numpy as np
import cv2

cap = cv2.VideoCapture('traffic_finalns.mp4')
fgbgMOG = cv2.bgsegm.createBackgroundSubtractorMOG()

while True:
    ret, frame = cap.read()
    if not ret:
        break
    # 光照归一化处理
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    equalized_gray = cv2.equalizeHist(gray)
    equalized_frame = cv2.cvtColor(equalized_gray, cv2.COLOR_GRAY2BGR)
    # 背景减除+去噪
    fgmask = fgbgMOG.apply(equalized_frame)
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, np.ones((3,3), np.uint8))
    
    cv2.imshow('Processed Mask', fgmask)
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

方法B：CLAHE自适应均衡化（避免过曝） #

比全局均衡化更柔和，不会把局部亮区拉得过曝，保留车辆细节：

# 替换上面的均衡化步骤
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
equalized_gray = clahe.apply(gray)

2. 换用抗光照变化的背景减除算法 #

传统MOG/KNN对光照太敏感，试试专门优化过的算法：

方法A：GSOC背景减除器（OpenCV扩展模块） #

OpenCV的bgsegm模块里的createBackgroundSubtractorGSOC就是为光照波动场景设计的，抗性拉满：

# 替换原有的背景减除器初始化
fgbgGSOC = cv2.bgsegm.createBackgroundSubtractorGSOC()
# 使用方式和MOG完全一致
fgmask = fgbgGSOC.apply(frame)

方法B：直接跳过背景减除——用目标检测模型 #

如果算力允许，直接用预训练的目标检测模型定位车辆，完全不受光照影响，OpenCV自带DNN模块可以直接跑YOLO：

# 加载YOLOv3预训练模型（需自行下载权重、配置、类别文件）
net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")
classes = []
with open("coco.names", "r") as f:
    classes = [line.strip() for line in f.readlines()]
layer_names = net.getLayerNames()
output_layers = [layer_names[i - 1] for i in net.getUnconnectedOutLayers()]

while True:
    ret, frame = cap.read()
    if not ret:
        break
    height, width = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0,0,0), True, crop=False)
    net.setInput(blob)
    outs = net.forward(output_layers)
    
    # 只筛选车辆类目标（car/truck/bus）
    for out in outs:
        for detection in out:
            scores = detection[5:]
            class_id = np.argmax(scores)
            confidence = scores[class_id]
            if confidence > 0.5 and classes[class_id] in ["car", "truck", "bus"]:
                x, y, w, h = (detection[:4] * np.array([width, height, width, height])).astype(int)
                cv2.rectangle(frame, (x, y), (x+w, y+h), (0,255,0), 2)
    
    cv2.imshow('Vehicle Detection', frame)
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

3. 后处理过滤光照伪影 #

如果预处理和换算法后还有残留的光照噪声，用形态学操作+面积过滤收尾：

# 先闭运算填充车辆空洞，再开运算去掉小噪点
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_CLOSE, np.ones((5,5), np.uint8))
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, np.ones((3,3), np.uint8))
# 过滤面积过小的伪前景（阈值根据你的视频分辨率调整）
contours, _ = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    if cv2.contourArea(cnt) < 500:
        cv2.drawContours(fgmask, [cnt], 0, 0, -1)

内容的提问来源于stack exchange，提问作者Severus Tux