企业官网建设流程全解析

1. 项目概述：为什么我们需要在C++中提取人物轮廓？

在计算机视觉的日常开发里，轮廓提取是个基础但至关重要的环节。无论是做安防监控里的人体闯入检测、互动媒体里的体感游戏，还是短视频应用里的背景虚化与替换，第一步往往都是把画面里的“人”给精准地“抠”出来。这个“抠”的过程，就是人物轮廓提取。

你可能会问，现在深度学习模型如Mask R-CNN、YOLO-ActSeg那么强大，直接用它们不香吗？确实，在追求极致精度的场景下，深度学习是首选。但很多时候，我们面对的是资源受限的嵌入式设备（比如树莓派、Jetson Nano）、对实时性要求极高的应用（比如60FPS的视频处理），或者项目初期需要一个快速验证的原型。在这些情况下，基于传统图像处理库OpenCV的轮廓提取方案，以其轻量、高效、不依赖庞大模型和GPU算力的特点，依然有着不可替代的价值。

用C++配合OpenCV来做这件事，更是将性能优势发挥到了极致。C++的零成本抽象和直接内存操作能力，让图像处理这种数据密集型任务的每一分算力都用在刀刃上。OpenCV本身也针对C++接口做了大量优化，其矩阵运算和算法实现效率极高。这意味着，你可以在普通的笔记本电脑上，实时处理高清视频流中的人物轮廓，而不用担心卡顿。

这次，我们就来彻底拆解这个流程。我不会只给你一堆代码，而是会带你走一遍我从项目实践中总结出来的完整路径：从环境搭建、图像预处理，到核心算法选型与调参，再到轮廓的后处理与优化，最后还会分享几个我踩过坑才学到的实战技巧。目标很明确：让你看完就能动手，做出一个稳定、可用的人物轮廓提取模块。

2. 环境准备与项目搭建

工欲善其事，必先利其器。一个清爽、正确的开发环境是成功的第一步，也能避免后续无数莫名其妙的编译错误和运行时崩溃。

2.1 OpenCV与C++开发环境配置

首先，你需要一个C++编译器和一个集成开发环境（IDE）。在Windows上，Visual Studio是首选，社区版免费且功能强大。在Linux或macOS上，GCC/Clang配合CMake是标准组合，IDE可以选择VSCode或CLion。

接下来是OpenCV的安装。我强烈建议从源码编译，而不是直接下载预编译的二进制包。原因有三：第一，你可以根据需求定制编译选项，比如只编译核心模块和imgproc（图像处理）模块，减少库文件大小；第二，可以确保编译器版本、C++标准库与你的项目完全匹配，避免兼容性问题；第三，可以启用一些优化，如IPPICV（Intel集成性能基元）来加速。

这里以在Ubuntu系统下使用CMake编译OpenCV 4.x为例，给出一个经过验证的配置脚本：

# 1. 安装依赖 sudo apt-get update sudo apt-get install build-essential cmake git pkg-config sudo apt-get install libjpeg-dev libtiff5-dev libpng-dev sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev sudo apt-get install libxvidcore-dev libx264-dev sudo apt-get install libgtk-3-dev sudo apt-get install libatlas-base-dev gfortran sudo apt-get install python3-dev # 2. 克隆OpenCV和opencv_contrib（包含额外模块，可选但推荐） cd ~ git clone https://github.com/opencv/opencv.git git clone https://github.com/opencv/opencv_contrib.git # 3. 创建构建目录并进入 cd opencv mkdir build && cd build # 4. 使用CMake配置 cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D INSTALL_PYTHON_EXAMPLES=OFF \ -D INSTALL_C_EXAMPLES=OFF \ -D OPENCV_ENABLE_NONFREE=ON \ -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib/modules \ -D BUILD_EXAMPLES=OFF \ -D BUILD_opencv_world=OFF \ # 不生成单个大库，便于管理 -D WITH_CUDA=OFF \ # 根据需求开启，开启前需安装CUDA -D WITH_IPP=ON \ -D WITH_FFMPEG=ON \ .. # 5. 编译并安装 make -j$(nproc) # -j参数指定并行编译的线程数，大幅加快速度 sudo make install sudo ldconfig # 更新动态链接库缓存

注意：-D OPENCV_ENABLE_NONFREE=ON这个选项会启用一些专利算法（如SIFT、SURF），如果你用于商业项目，请务必了解相关专利许可。如果只是学习，可以开启以获得更完整的功能体验。

在Windows上使用Visual Studio，过程类似：下载源码，用CMake-GUI工具生成VS的解决方案（.sln）文件，然后用VS打开并编译ALL_BUILD项目，最后编译INSTALL项目。

2.2 创建你的第一个轮廓提取项目

环境搞定后，我们来创建一个最小化的CMake项目，确保OpenCV链接正确。项目结构如下：

PersonContourDemo/ ├── CMakeLists.txt ├── include/ ├── src/ │ └── main.cpp └── data/ └── test_video.mp4

CMakeLists.txt是项目的构建蓝图，内容如下：

cmake_minimum_required(VERSION 3.10) project(PersonContourDemo) # 设置C++标准 set(CMAKE_CXX_STANDARD 11) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 寻找OpenCV包，REQUIRED表示必须找到 find_package(OpenCV REQUIRED) # 包含头文件目录 include_directories(${OpenCV_INCLUDE_DIRS}) include_directories(${CMAKE_CURRENT_SOURCE_DIR}/include) # 添加可执行文件，并链接OpenCV库 add_executable(${PROJECT_NAME} src/main.cpp) target_link_libraries(${PROJECT_NAME} ${OpenCV_LIBS})

在src/main.cpp里，我们先写一个简单的程序来测试OpenCV是否工作正常：

#include <opencv2/opencv.hpp> #include <iostream> int main() { // 尝试读取一张图片 cv::Mat image = cv::imread("../data/test_image.jpg"); if (image.empty()) { std::cerr << "Could not open or find the image!" << std::endl; return -1; } std::cout << "Image loaded successfully. Size: " << image.size() << std::endl; // 尝试打开摄像头 cv::VideoCapture cap(0); // 0代表默认摄像头 if (!cap.isOpened()) { std::cerr << "Cannot open the camera!" << std::endl; return -1; } std::cout << "Camera opened successfully." << std::endl; cap.release(); return 0; }

编译并运行这个程序，如果能看到图片尺寸信息和摄像头打开成功的提示，恭喜你，环境配置成功！如果遇到类似error while loading shared libraries: libopencv_core.so.4.x: cannot open shared object file的错误，说明动态库路径没被系统找到。可以尝试将OpenCV的库路径（如/usr/local/lib）添加到LD_LIBRARY_PATH环境变量中，或者运行一下sudo ldconfig。

3. 核心原理：从图像到轮廓的旅程

在动手写代码之前，我们必须理解图像是如何一步步变成我们想要的轮廓的。这个过程不是一蹴而就的，而是一个精心设计的流水线。

3.1 图像预处理：为轮廓检测铺平道路

原始图像通常包含大量噪声、复杂纹理和光照变化，这些都会严重干扰轮廓检测。预处理的目标就是简化图像，突出我们关心的前景（人物）与背景的边界。

1. 色彩空间转换：从BGR到灰度OpenCV默认读取的图像是BGR格式（蓝-绿-红）。对于轮廓检测，颜色信息通常是冗余的，甚至是有害的（比如穿着花衣服的人，颜色边界会误判为轮廓）。第一步就是转换为灰度图，将三维的颜色信息压缩为一维的亮度信息。

cv::Mat gray; cv::cvtColor(srcImage, gray, cv::COLOR_BGR2GRAY);

这里有一个小技巧：如果背景是纯色（比如绿幕），而人物服装颜色与之对比强烈，有时保留特定颜色通道（如绿色通道）反而比灰度图效果更好。你可以通过cv::split分离通道后单独处理。

2. 降噪：平滑滤波图像传感器噪声和细微纹理会产生大量伪轮廓。高斯模糊是最常用的平滑滤波器。

cv::Mat blurred; cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 1.5);

cv::Size(5,5)是卷积核大小，必须是正奇数。数值越大，模糊效果越强，但轮廓也会变粗。1.5是高斯分布的标准差，如果设为0，OpenCV会根据核大小自动计算。我的经验是，对于人物轮廓，核大小在(3,3)到(7,7)之间比较合适，太大容易丢失细节（如手指缝隙）。

3. 背景减除：分离运动目标如果我们的场景是静态的（比如固定的监控摄像头），那么最有效的方法就是背景减除。OpenCV提供了几种背景减除器，如cv::createBackgroundSubtractorMOG2。它的原理是建立背景模型，然后将当前帧与背景模型对比，差异大的区域就是前景（运动目标）。

auto pBackSub = cv::createBackgroundSubtractorMOG2(500, 16, true); cv::Mat fgMask; pBackSub->apply(blurred, fgMask);

500是历史帧数，用于构建背景模型。16是方差阈值，决定一个像素与背景差异多大才被认为是前景。true表示检测阴影并将其标记为灰色（值127）。这个方法对光照缓慢变化和动态背景（如摇曳的树叶）有一定鲁棒性。

3.2 边缘与二值化：勾勒出边界

经过预处理，我们得到了一个相对“干净”的图像。接下来需要将其转化为非黑即白的二值图像，其中白色代表前景（可能是人物），黑色代表背景。

1. 边缘检测：Canny算子Canny边缘检测是经典且效果出色的方法。它包含多个步骤：高斯模糊去噪、计算梯度强度和方向、非极大值抑制（细化边缘）、双阈值检测和连接边缘。

cv::Mat edges; cv::Canny(blurred, edges, lowThreshold, lowThreshold * ratio, kernelSize);

• lowThreshold: 低阈值。梯度值低于此，肯定不是边缘。
• ratio: 高阈值与低阈值的比例，通常为2:1或3:1。
• kernelSize: Sobel算子的孔径大小，通常是3。调参心得：lowThreshold的设置非常关键。设得太高，会丢失弱边缘（如头发丝、衣物褶皱）；设得太低，会引入大量噪声边缘。一个实用的方法是先用一个经验值（如50），然后根据输出动态调整，或者使用自适应阈值方法。

2. 阈值化：固定阈值与自适应阈值如果背景简单，可以直接使用固定阈值。

cv::Mat binary; cv::threshold(gray, binary, threshValue, 255, cv::THRESH_BINARY);

但对于光照不均的场景（比如室内一侧有窗户），固定阈值会失效。这时应该用自适应阈值，它为图像中的每个小区域计算独立的阈值。

cv::Mat adaptiveBinary; cv::adaptiveThreshold(blurred, adaptiveBinary, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, blockSize, C);

• blockSize: 计算阈值时考虑的邻域大小，必须是正奇数。越大，光照变化适应能力越强，但细节可能丢失。
• C: 从计算出的均值或加权均值中减去的常数，用于微调。一个常见的坑：blockSize不能小于3，且通常需要根据图像分辨率调整。对于640x480的图像，11或15是不错的起点。

3.3 轮廓查找与层次结构

得到了二值图像（白色是前景），OpenCV的findContours函数就能大显身手了。这个函数使用Suzuki85的算法来追踪白色区域的边界。

std::vector<std::vector<cv::Point>> contours; std::vector<cv::Vec4i> hierarchy; cv::findContours(binaryImage, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);

• contours: 输出的轮廓集合。每个轮廓由一系列点（cv::Point）组成。
• hierarchy: 轮廓的层次信息，是一个cv::Vec4i的向量。每个元素[Next, Previous, First_Child, Parent]描述了轮廓之间的关系。
• cv::RETR_TREE: 检索模式。TREE会检索所有轮廓并重建完整的嵌套层次。如果只关心最外层轮廓，可以用RETR_EXTERNAL。
• cv::CHAIN_APPROX_SIMPLE: 轮廓近似方法。SIMPLE会压缩水平、垂直和对角线方向的冗余点，只保留端点，极大减少轮廓点数。NONE则存储所有点。

理解层次结构（Hierarchy）对于人物轮廓提取至关重要。想象一下，一个人穿着带有洞眼的毛衣。人的身体是一个外部轮廓（父轮廓），毛衣的洞是内部轮廓（子轮廓）。RETR_TREE模式能帮你理清这种“轮廓中的轮廓”关系。在后续筛选时，你可以利用层次信息过滤掉那些可能是物体内部空洞的小轮廓。

4. 实战演练：一步步提取并优化人物轮廓

理论说得再多，不如一行代码。现在，我们把上面的步骤串联起来，构建一个完整的、从摄像头读取视频并实时提取人物轮廓的程序。

4.1 基础流程实现

我们假设一个相对理想的场景：人物与背景有一定对比度，光照基本均匀。以下是核心代码框架：

#include <opencv2/opencv.hpp> #include <iostream> int main() { cv::VideoCapture cap(0); if (!cap.isOpened()) { std::cerr << "Error opening camera!" << std::endl; return -1; } cv::Mat frame, gray, blurred, binary, edges; std::vector<std::vector<cv::Point>> contours; std::vector<cv::Vec4i> hierarchy; // 创建一个窗口 cv::namedWindow("Contours", cv::WINDOW_AUTOSIZE); while (true) { cap >> frame; if (frame.empty()) break; // 1. 转换为灰度图 cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY); // 2. 高斯模糊降噪 cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 1.5); // 3. Canny边缘检测 cv::Canny(blurred, edges, 50, 150, 3); // 4. 膨胀操作，连接断开的边缘（可选但常用） cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)); cv::dilate(edges, edges, kernel); // 5. 查找轮廓 cv::findContours(edges, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE); // 6. 在原图上绘制轮廓 cv::Mat result = frame.clone(); cv::drawContours(result, contours, -1, cv::Scalar(0, 255, 0), 2); // 绿色，2像素宽 cv::imshow("Contours", result); // 按ESC退出 if (cv::waitKey(30) == 27) break; } cap.release(); cv::destroyAllWindows(); return 0; }

运行这个程序，你应该能在摄像头画面中看到用绿色线条勾勒出的各种边缘。但很快你会发现问题：它画出了所有轮廓，包括背景里的桌椅、窗户边框，而不仅仅是人。

4.2 轮廓筛选：找到“那个人”

所以，我们需要从一大堆轮廓中，把属于人物的那个（或那几个）挑出来。筛选标准通常基于轮廓的几何特征。

1. 面积筛选小面积的轮廓很可能是噪声。我们可以计算轮廓的面积（cv::contourArea），并设定一个最小阈值。

double minContourArea = 500.0; // 根据图像分辨率调整，对于640x480，500是个起点 std::vector<std::vector<cv::Point>> filteredContours; for (size_t i = 0; i < contours.size(); i++) { double area = cv::contourArea(contours[i]); if (area > minContourArea) { filteredContours.push_back(contours[i]); } }

2. 宽高比和轮廓矩形人的轮廓通常近似于一个较高的矩形。我们可以用cv::boundingRect获取轮廓的外接矩形，然后计算其宽高比。

float minAspectRatio = 0.2; // 最小宽高比（瘦高） float maxAspectRatio = 1.0; // 最大宽高比（差不多是正方形） for (const auto& contour : filteredContours) { cv::Rect rect = cv::boundingRect(contour); float aspectRatio = (float)rect.width / rect.height; if (aspectRatio > minAspectRatio && aspectRatio < maxAspectRatio) { // 符合人体比例的候选轮廓 } }

注意：这个规则对站立的人有效，但如果人坐着、蹲着或姿势奇特，就会失效。在实际项目中，可能需要结合姿态估计或更复杂的形状描述符。

3. 轮廓凸性与缺陷人的轮廓大体上是“凸”的。我们可以用cv::isContourConvex判断，或者计算凸包（cv::convexHull）。凸包是包含轮廓的最小凸多边形。通过比较原轮廓和凸包的面积或周长，可以判断轮廓的“凹凸”程度。

std::vector<int> hull; cv::convexHull(contours[i], hull, false); // 不返回点，返回索引 double contourArea = cv::contourArea(contours[i]); std::vector<cv::Point> hullPoints; for (int idx : hull) hullPoints.push_back(contours[i][idx]); double hullArea = cv::contourArea(hullPoints); double solidity = contourArea / hullArea; // 凸性系数，越接近1越凸 if (solidity > 0.8) { // 一个经验阈值 // 轮廓比较凸，可能是人体 }

4. 轮廓近似与多边形拟合原始轮廓点太多，不利于分析和显示。我们可以用cv::approxPolyDP进行多边形近似，用更少的点来描绘轮廓形状。这也能用来判断轮廓的复杂程度（比如，近似后点数很少，可能是简单的矩形或圆形，而不是复杂的人形）。

std::vector<cv::Point> approx; double epsilon = 0.02 * cv::arcLength(contours[i], true); // 精度参数，为周长的2% cv::approxPolyDP(contours[i], approx, epsilon, true); if (approx.size() > 5) { // 如果近似后点数还比较多，形状可能比较复杂 // 可能是人形 }

4.3 高级优化：应对复杂场景

基础方法在简单背景下还行，一旦背景杂乱、光照变化，效果就急剧下降。下面介绍几个进阶技巧。

1. 背景减除器（Background Subtractor）的深度使用之前简单提过MOG2，这里详细说说它的参数调优。创建后，通常需要“学习”几十到几百帧来建立稳定的背景模型。

auto pMOG2 = cv::createBackgroundSubtractorMOG2(500, 25, true); pMOG2->setShadowValue(127); // 阴影标记为灰色 pMOG2->setShadowThreshold(0.5); // 阴影检测阈值，默认0.5 // ... 在循环中 cv::Mat fgMask; pMOG2->apply(blurredFrame, fgMask); // 对fgMask进行形态学操作（开运算去噪，闭运算填充空洞）后再找轮廓 cv::morphologyEx(fgMask, fgMask, cv::MORPH_OPEN, kernel); cv::morphologyEx(fgMask, fgMask, cv::MORPH_CLOSE, kernel);

关键点：apply方法返回的前景掩模（fgMask）是8位单通道图像，前景为白色（255），背景为黑色（0），阴影为灰色（127）。在找轮廓前，最好用阈值化把阴影也去掉（cv::threshold(fgMask, fgMask, 200, 255, cv::THRESH_BINARY)），或者在进行形态学操作时忽略阴影值。

2. 结合运动历史图像（Motion History Image, MHI）对于判断一个区域是静止物体还是运动的人，MHI很有用。它记录的是运动发生的时间，越新的运动越亮。

cv::Mat mhi, mask, orient; // ... 计算光流或使用差分得到运动掩模 cv::updateMotionHistory(motionMask, mhi, currentTime, duration); // 然后从MHI中分割出运动区域 cv::segmentMotion(mhi, mask, orient, currentTime, maxTimeDelta);

MHI能帮你过滤掉那些虽然被背景减除器判定为前景，但长时间不动的物体（比如被人放下的包）。

3. 多尺度与图像金字塔如果人物距离摄像头远近不同，轮廓大小差异会很大。可以在不同尺度的图像上分别进行轮廓检测。使用图像金字塔（cv::pyrDown,cv::buildPyramid）生成一系列分辨率逐渐降低的图像，在每一层进行检测，最后将结果融合。这有助于检测远处较小的人物。

4. 轮廓分组与合并有时候，一个人的轮廓可能因为衣物颜色、阴影或遮挡而被断裂成好几块。我们需要将这些属于同一物体的轮廓合并。一个简单的方法是计算所有轮廓的外接矩形，如果两个矩形在水平或垂直方向上有大量重叠，且中心距离较近，则合并它们。

std::vector<cv::Rect> rects; // ... 获取所有候选轮廓的外接矩形 for (size_t i = 0; i < rects.size(); ++i) { for (size_t j = i + 1; j < rects.size(); ++j) { cv::Rect intersection = rects[i] & rects[j]; // 矩形交集 cv::Rect union = rects[i] | rects[j]; // 矩形并集 float overlapRatio = (float)intersection.area() / union.area(); if (overlapRatio > 0.3) { // 重叠度超过30% // 合并矩形，或者将两个轮廓的点集合并后重新找轮廓 std::vector<cv::Point> combinedPoints; combinedPoints.insert(combinedPoints.end(), contours[i].begin(), contours[i].end()); combinedPoints.insert(combinedPoints.end(), contours[j].begin(), contours[j].end()); cv::Rect newRect = cv::boundingRect(combinedPoints); // 更新rects和contours列表... } } }

5. 性能调优与实战避坑指南

在实时视频流中处理，性能是关键。同时，一些细节处理不好，会导致程序在边缘情况下崩溃或行为异常。

5.1 提升处理速度的技巧

1. 降低分辨率：这是最立竿见影的方法。在调用cvtColor之前，先用cv::resize将图像缩小。对于人脸检测，可能只需要VGA（640x480）甚至更低的分辨率。轮廓检测的复杂度与像素数量直接相关。

   cv::Mat small; cv::resize(frame, small, cv::Size(), 0.5, 0.5, cv::INTER_LINEAR); // 缩小到一半

2. 设定ROI（Region of Interest）：如果你知道人物只可能出现在画面的某些区域（如下半部分），可以只在这些区域进行处理。

   cv::Rect roi(0, frame.rows/2, frame.cols, frame.rows/2); // 下半部分 cv::Mat roiImage = frame(roi); // 只在roiImage上进行后续处理 // 注意：找到的轮廓坐标是相对于roiImage的，绘制回原图时需要偏移 for (auto& point : contour) { point.x += roi.x; point.y += roi.y; }

3. 选择性处理：不是每一帧都需要进行完整的轮廓查找。可以结合运动检测，只有当画面中有足够大的变化时，才触发昂贵的轮廓计算。可以用帧间差分法快速判断。

4. 使用更快的函数和数据类型：确保使用OpenCV的优化版本（开启了IPP、OpenCL等）。对于二值图像的操作，使用CV_8UC1类型。避免在循环中频繁创建和销毁大的cv::Mat对象，尽量复用。

5.2 常见问题与解决方案

问题1：轮廓断裂，不连续。

• 原因：Canny阈值过高，或者边缘本身对比度低。
• 解决：
  • 降低Canny的低阈值。
  • 在Canny之前或之后使用形态学操作（膨胀cv::dilate）来连接断开的边缘。cv::morphologyExwithMORPH_CLOSE（先膨胀后腐蚀）效果更好，它能填充小的空洞并连接邻近区域。
  • 尝试使用cv::findContours的cv::RETR_LIST模式并配合轮廓近似，有时能连接断点。

问题2：轮廓包含太多背景噪声（毛刺）。

• 原因：预处理降噪不足，或阈值化太敏感。
• 解决：
  • 增大高斯模糊的核大小。
  • 使用中值滤波（cv::medianBlur）代替高斯模糊，对椒盐噪声效果更好。
  • 在阈值化后、找轮廓前，使用开运算（cv::MORPH_OPEN）去除小的白色噪点。

问题3：人物内部出现空洞（比如衣服的深色区域被当成背景）。

• 原因：阈值化将暗区归为背景。
• 解决：
  • 使用自适应阈值代替全局阈值。
  • 在找轮廓后，利用层次结构（hierarchy）找到这些空洞（它们是子轮廓），并将其从前景掩模中填充（cv::drawContourswiththickness = cv::FILLED）。
  • 考虑使用更高级的分割方法，如GrabCut算法，虽然更慢，但分割效果更好。

问题4：程序在cv::findContours或cv::drawContours时崩溃。

• 原因：最常见的原因是传入的cv::Mat不是8位单通道二值图像。
• 解决：
  • 在调用findContours前，务必用image.type() == CV_8UC1检查图像类型和通道数。
  • 确保二值图像中前景是白色（255），背景是黑色（0）。可以用cv::threshold明确指定。
  • 使用cv::drawContours时，确保目标图像（result）与原图（frame）尺寸、通道数一致，且是深拷贝（.clone()）或新创建的。

问题5：轮廓点太多，导致后续处理（如绘制、计算特征）太慢。

• 原因：cv::CHAIN_APPROX_NONE存储了所有点，或者轮廓本身非常复杂。
• 解决：
  • 使用cv::CHAIN_APPROX_SIMPLE或cv::CHAIN_APPROX_TC89_L1等近似方法。
  • 用cv::approxPolyDP对轮廓进行多边形近似，通过epsilon参数控制精度，牺牲一点形状精度换取点数大幅减少。

5.3 一个鲁棒性更强的完整示例代码

结合以上所有要点，下面是一个更加健壮和实用的示例。它使用了背景减除，并包含了主要的筛选和优化步骤。

#include <opencv2/opencv.hpp> #include <iostream> #include <vector> int main() { cv::VideoCapture cap(0); cv::Ptr<cv::BackgroundSubtractorMOG2> bgSubtractor = cv::createBackgroundSubtractorMOG2(300, 25, true); bgSubtractor->setShadowThreshold(0.5); cv::Mat kernelErode = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(3, 3)); cv::Mat kernelDilate = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5)); while (true) { cv::Mat frame, fgMask, gray, blurred, binary; cap >> frame; if (frame.empty()) break; // 1. 降采样，提升速度 cv::Mat smallFrame; cv::resize(frame, smallFrame, cv::Size(), 0.5, 0.5); // 2. 转换为灰度图 cv::cvtColor(smallFrame, gray, cv::COLOR_BGR2GRAY); // 3. 背景减除 bgSubtractor->apply(gray, fgMask); // 去除阴影（值127）和微弱前景 cv::threshold(fgMask, binary, 200, 255, cv::THRESH_BINARY); // 4. 形态学处理：先开运算去噪，再闭运算填充空洞 cv::morphologyEx(binary, binary, cv::MORPH_OPEN, kernelErode); cv::morphologyEx(binary, binary, cv::MORPH_CLOSE, kernelDilate); // 5. 查找轮廓 std::vector<std::vector<cv::Point>> contours; std::vector<cv::Vec4i> hierarchy; cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); // 6. 轮廓筛选与绘制 cv::Mat result = smallFrame.clone(); double minArea = smallFrame.rows * smallFrame.cols * 0.005; // 最小面积设为画面的0.5% for (size_t i = 0; i < contours.size(); i++) { double area = cv::contourArea(contours[i]); if (area < minArea) continue; cv::Rect rect = cv::boundingRect(contours[i]); float aspectRatio = (float)rect.width / rect.height; if (aspectRatio < 0.2 || aspectRatio > 1.5) continue; // 宽高比过滤 // 计算凸性 std::vector<cv::Point> hull; cv::convexHull(contours[i], hull); double hullArea = cv::contourArea(hull); if (hullArea == 0) continue; double solidity = area / hullArea; if (solidity < 0.7) continue; // 凸性过滤 // 通过筛选，绘制轮廓和矩形框 cv::drawContours(result, contours, (int)i, cv::Scalar(0, 255, 0), 2); cv::rectangle(result, rect, cv::Scalar(255, 0, 0), 2); cv::putText(result, "Person", cv::Point(rect.x, rect.y-5), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 255), 1); } // 显示结果 cv::imshow("Foreground Mask", binary); cv::imshow("Person Detection", result); if (cv::waitKey(30) == 27) break; } cap.release(); cv::destroyAllWindows(); return 0; }

这个程序集成了背景建模、形态学处理、多维度轮廓筛选，在一般室内环境下应该能比较稳定地框出站立或行走的人物。当然，它仍然是一个基于传统视觉的方法，对于重度遮挡、快速运动或复杂背景，其局限性是固有的。这时，你就需要评估是否要引入基于深度学习的分割模型了。但对于很多实时性、资源要求高的应用场景，这套OpenCV C++方案，经过精心调优，依然是你工具箱里一把锋利而可靠的手术刀。