企业官网建设流程全解析

实战指南：用Python+OpenCV将本地摄像头/RTSP监控流推送到SRS服务器（附完整代码）

在智能安防和实时视频分析领域，将摄像头画面低延迟推送到流媒体服务器是常见需求。本文将手把手教你用Python+OpenCV实现两种典型场景：本地USB摄像头画面采集和网络RTSP监控流抓取，并通过FFmpeg实时编码推流到SRS服务器。相比OBS等图形化工具，这种方案更适合需要自动化集成的开发场景。

1. 环境准备与SRS服务器部署

1.1 快速搭建SRS测试环境

推荐使用Docker一键部署开发测试用的SRS服务器：

docker run --rm -it -p 1935:1935 -p 1985:1985 -p 8080:8080 \ registry.cn-hangzhou.aliyuncs.com/ossrs/srs:4 \ ./objs/srs -c conf/srs.conf

关键端口说明：

• 1935：RTMP推拉流主端口
• 8080：HTTP-FLV/HLS拉流端口
• 1985：API管理端口

生产环境建议参考官方文档配置HTTPS和鉴权

1.2 Python环境配置

创建隔离的Python环境并安装必要依赖：

python -m venv srs_push source srs_push/bin/activate # Linux/macOS pip install opencv-python numpy

验证FFmpeg是否可用：

ffmpeg -version # 需要4.0以上版本

2. 核心推流代码实现

2.1 本地摄像头推流方案

完整代码示例：

import cv2 import subprocess import sys def push_stream(rtmp_url, camera_index=0, fps=25): # 初始化摄像头 cap = cv2.VideoCapture(camera_index) if not cap.isOpened(): print("无法打开摄像头") sys.exit(1) # 获取视频参数 width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # FFmpeg命令构建 command = [ 'ffmpeg', '-y', '-f', 'rawvideo', '-vcodec', 'rawvideo', '-pix_fmt', 'bgr24', '-s', f"{width}x{height}", '-r', str(fps), '-i', '-', '-c:v', 'libx264', '-pix_fmt', 'yuv420p', '-preset', 'ultrafast', '-f', 'flv', rtmp_url ] # 启动FFmpeg进程 process = subprocess.Popen(command, stdin=subprocess.PIPE) try: while True: ret, frame = cap.read() if not ret: break # 处理帧数据（可在此处添加AI分析代码） processed_frame = frame # 这里可以添加OpenCV处理逻辑 # 推送到FFmpeg process.stdin.write(processed_frame.tobytes()) except KeyboardInterrupt: print("用户终止推流") finally: cap.release() process.terminate() if __name__ == "__main__": RTMP_URL = "rtmp://your_srs_server/live/stream_key" push_stream(RTMP_URL)

2.2 RTSP摄像头推流优化

针对网络摄像头的特殊处理：

def push_rtsp_stream(rtmp_url, rtsp_url, fps=25): cap = cv2.VideoCapture(rtsp_url) cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) # 减少缓冲 # ...其余代码与本地摄像头相同... # 重连机制示例 while True: ret, frame = cap.read() if not ret: print("RTSP连接中断，尝试重连...") cap.release() cap = cv2.VideoCapture(rtsp_url) time.sleep(3) continue

3. 关键技术解析

3.1 FFmpeg参数深度优化

推荐编码参数组合：

3.2 性能优化技巧

• 多线程采集：使用queue.Queue分离采集和编码线程
• 硬件加速：添加-hwaccel cuda参数启用GPU编码
• 丢帧策略：当处理速度跟不上时选择性丢帧

# 硬件加速示例 command = [ 'ffmpeg', '-hwaccel', 'cuda', # 启用CUDA加速 '-hwaccel_output_format', 'cuda', # ...其他参数... ]

4. 常见问题排查

4.1 连接问题诊断表

4.2 OpenCV特有问题

• 摄像头权限问题：Linux系统需要将用户加入video组
• RTSP断流：实现自动重连机制，设置cv2.CAP_PROP_BUFFERSIZE为1
• 内存泄漏：确保在finally块中释放资源

5. 进阶应用场景

5.1 结合AI视觉分析

在推流前插入分析代码：

def process_frame(frame): # 示例：人脸检测 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5) for (x,y,w,h) in faces: cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2) return frame # 在主循环中调用 processed_frame = process_frame(frame) process.stdin.write(processed_frame.tobytes())

5.2 多路流合成推流

使用FFmpeg的filter_complex实现画中画：

command = [ 'ffmpeg', '-f', 'rawvideo', '-pix_fmt', 'bgr24', '-s', '640x480', '-i', '-', '-f', 'rawvideo', '-pix_fmt', 'bgr24', '-s', '320x240', '-i', '-', '-filter_complex', '[1:v]scale=160:120[small];[0:v][small]overlay=10:10', '-c:v', 'libx264', '-f', 'flv', rtmp_url ]

6. 监控与质量评估

6.1 使用SRS API获取推流状态

import requests def check_stream_status(server_url, stream_key): api_url = f"http://{server_url}:1985/api/v1/streams/" try: response = requests.get(api_url) streams = response.json().get('streams', []) return any(s['name'] == stream_key for s in streams) except Exception as e: print(f"API请求失败: {e}") return False

6.2 延迟测量方法

1. 在视频源端显示当前时间戳
2. 在播放端计算接收时间差
3. 使用以下命令测量端到端延迟：

ffmpeg -i rtmp://server/live/stream -vf "drawtext=text='%{localtime}':x=10:y=10" -f null -