opencv函数findcontours_感兴趣区域的移动物体检测，框出移动物体的轮廓 (固定摄像头, opencv-python)...
感兴趣区域、特定区域、框出移动物体的轮廓、越界检测、入侵物体检测、使用 opencv-python库的函数cv2.findContours、cv2.approxPolyDP、cv2.arcLength，利用固定摄像头拍摄的实时视频，框出移动物体的轮廓（即FrogEyes蛙眼移动物体侦测）
对移动目标的轮廓的框选，将使用下面这篇文章提及的方法：
曾伊言：边缘检测，框出物体的轮廓(使用opencv-python的函数cv2.findContours() )zhuanlan.zhihu.com
移动物体框选结果预览（即便镜头被移动了，它也能够自己调整回来，方法后面会讲）：
核心代码预览（可以先看看我用到了哪些函数，完整版代码（点击查看）已上传到github）：
...
2018-06-30 初版 Yonv1943
2018-07-02 对RrawROI的注释方案，即对region_of_interest_pts 的赋值
传言青蛙蹲在地上不动的时候，将死掉不动的小昆虫摆放在它的眼前，青蛙也无动于衷。而当某些小昆虫在青蛙眼前飞来飞去的时候，青蛙会注意到它们，然后将它们吃了。我这个程序也可“注意到”镜头拍摄到的移动物体，因此我也将它称为 FrogEyes。
这是传统的图像处理（不涉及深度学习），所以 算法的本质是：对固定摄像头前后两帧图片做差值，得到并框出不同的区域（使用opencv-python 的 cv2.findContours()函数） 因此，该方法只适用于固定镜头的移动物体识别，如果拍摄实时图像的时候镜头是移动的，那么此时移动物体的识别就只能交由深度学习去解决了。
不能简单地对比前后两帧的图片
- 如果简单地对比前后两帧图片，那么对图片做差值，将会得到前后帧图片中不同的区域，这个区域并不是目标的轮廓
- 如果目标是纯色的，那么对图片做差值得到的结果，将不能得到目标的完整轮廓
若将实时图片与背景图片做差值，那么将会得到红色区域
若将实时图片与先前图片做差值，那么将会得到黄色区域
实际情况中，当图片帧率比较高，目标移动速度慢（甚至不移动），由前后两帧图片做对比的算法的黄色区域会非常小。当然可以通过对比更久前的图片（两帧差别更大）来得到更大的不同区域，不过，这样一来，黄色的区域就不是目标的轮廓了，而是目标在两个时段区域的并集。所以，如果事先保存好背景图片，那么就可以将实时图片与背景图片对比，并得到准确的目标轮廓。
简单地设置背景图片会来两个新的问题：
- 若相机视角被移动（比如路过的人不小心碰了一下），那么实时图片和背景图片做差值，将会得到整个画面，目标检测失效
- 若背景发生变化，比如镜头中的桌子被移动了，或者环境光突然发生变化，或者有目标进入镜头后，赖着不走，etc. 那么镜头如实将会一直把这变化为框出来，这不智能
这些都是不更新背景图片导致的，所以要设置更新背景图片的策略
下面讲流程图中【对比并有策略地更新背景图片】的策略：
相关代码
由边缘检测改写而来的函数，它根据输入的两张图片，返回被检测出的目标轮廓，如果两张图片相似，那么就返回一个空列表 [] ，空列表在Python的逻辑判断中，是False，方便背景图片更改的逻辑判断：
def 位于类EdgeDetection 中的 函数main_get_img_show()，执行更换背景的逻辑判断：
...
contours = self.get_polygon_contours(img, self.img_back) # 这个函数框出并返回目标轮廓
self.img_list.append(img) # 将实时图片加入历史图片队列
img_prev = self.img_list.pop(0) # 取出最在的历史图片
# 两个逻辑判断，决定是否更换背景图片
# 一个是背景图片微调，即背景与实时相似的时候，更新背景图片
# 另一个是背景图片更换，当历史图片与实时图片相似的时候，证明背景已经更改一段时间了，因此更新背景
self.img_back = img
if not contours or not self.get_polygon_contours(img, img_prev)
else self.img_back
...需要明白的Python小技巧——空列表在Python的逻辑判断中，是False
print("[] is %s" % bool([]))
if []:
print("[] is True")
else:
print("[] is False")如下，被视为背景的卡片移动了，出现两个框，一段时间后红框消失，证明背景图片被更换，伸入手进行测试，其他功能正常：
还有一个对目标轮廓的筛选过程——根据轮廓多边形的边数、周长进行筛选：
...
视频的前面几秒，手指在灰色部分，即ROI（Regin of Interest）以外，没有触发轮廓框选，进入区域后，出现了一个四边形将目标框出，而且周长足够：
（从这个视频中还可以看出，我的移动目标轮廓框选算法还是有疏漏的，比如影子也框进去了、手指退出后，还留有错误的红框）
感兴趣区域的设定
上面也提及了感兴趣区域，这里就顺便贴出用OpenCV-Python的GUI实现的 ROI区域设置代码，这部分代码就是从Drawing filled polygon using mouse events in open cv using python 网页上 Dan Mašek 的答案改写而来。就放在 完整版 DEMO_edge_detction.py 中命名为 DrawROI 的类里面。
感兴趣区域的设定视频 ↓
↑ 视频中的操作：按退格键重新划定ROI ，鼠标点击定义多边形，按enter 确认ROI
应用讨论
移动物体识别的这个特性，在固定摄像头实时视频侦测的时候比较有用，比如：
- 监控摄像头，检测到镜头画面有变化（移动物体出现）的时候，才开启记录功能，录下视频，避免记录重复视频，节省磁盘空间。（即电子蛙眼）
- 保留前景，过滤掉无关的背景。
比较前后帧像素差异算法的缺点 @朱琦
这种方法受光线变化影响非常大。如果我们只想要检测闯入感兴趣区域的物体，那么这种方法会不可避免地把影子认为是闯入物体。
而深度学习目标检测可以排除这种影响。因此这种算法最好是和深度学习相结合：使用这种像素差异算法进行低准确率的检测，然后使用深度学习进行最终的判断。如：对于画面长时间持续不动的多个摄像头，我们使用像素差异算法进行检测，当检测到有物体闯入时，程序将异常报给给深度学习卷积网络，由它进行把关。（这样子可以减少计算，同时维持判断精度。例如：车库车辆检测，异常闯入检测）。
用在自动生成训练集上：（自从2018年数据集逐渐完善、以及半监督算法的发展，以下方法已经过时）
将要识别的物体放在镜头前，不断地移动物体（最好是换不同高度环绕拍摄），识别出物体轮廓，处理成边缘羽化的png图片，然后和其他背景合成大量训练集（此时可以通过轮廓输出框选完毕的box，再批量创建label，自动导出成为xml格式，就可以为所欲为了）（可以看我的另外一篇：利用初步训练的深度学习模型自动生成训练图片，包括csv文件、Python字典、TensorFlow目标检测训练图片xml注释 相互转换（还没写完））
用传统图像识别将目标准确框出，并过滤掉背景，传给目标检测模型，甚至可以取代目标检测提取候选框的那一步，将目标检测的工作，从：
生成候选框 → 分类器处理多个候选框，得到类别匹配度信息 →
计算匹配度，筛选出得分高的目标 → 调整对应候选框的位置 →
输出目标及对应的候选框
简化为：
传统图形识别框出待分类的目标移动目标 →
分类器计算目标匹配度，判断目标类别 →
输出目标轮廓，以及目标的类别
简化的内容如下：
- 简化目标检测的任务：从“判断目标位置，确定目标类型”简化为“判断目标类型”
- 处理的图片变小了：从原来的全图检测 缩减为对移动目标对应图片的检测
- 减小背景的影响：框出移动目标轮廓，并删去背景，减少了影响分类判断的干扰因素
在缩小了目标检测应用范围的情况下（只能用来检测固定镜头的移动物体/入侵物体，用在安防摄像头上面最好了），预计这样子处理可以减少计算量，提高检测准确率。
用在固定摄像头实时目标检测上：（自2018年Mask-RCNN发展成熟后，以下方法已过时）
移动物体框选结果预览（深度学习结合目标检测结合（这里用的是Yolo目标检测），假装把segmentation 做出来了）
参考资料：
边缘检测，框出物体的轮廓(使用opencv-python的函数cv2.findContours() )
Drawing filled polygon using mouse events in open cv using python
在评论区指出的问题，我会修改到正文中，并注明贡献者的名字。
在评论区提出的问题，我可能会尝试解答，并添加到正文中。
交流可以促进社区与自身成长，欢迎评论，谢谢大家。