如何实现Python摄像头监控中的运动检测自动录像功能？

用 Python 实现智能摄像头监控：运动检测 + 自动录像 + 时间水印 关键词：Python、OpenCV、运动检测、帧差法、视频录制、时间戳、安防监控、边缘计算 在家庭安防、宠物看护、仓库监控等场景中，一个轻量、可靠、无需联网的本地摄像头监控系统非常实用。本文将带你从零实现一个基于 Python + OpenCV 的智能运动检测与自动录像系统——它能在检测到画面变化时自动开始录制视频，运动停止后继续缓冲几秒，并在保存的视频左上角添加精确的时间水印。 更重要的是：录制的视频是原始画面，不包含任何检测框或调试信息，可直接用于存档或回放！ ✅ 项目亮点 三帧差分法：比传统两帧差分更稳定，减少“目标静止即消失”的问题 仅录有效片段：只在检测到运动时录像，节省存储空间 ⏱️ 自动时间水印：每帧叠加 2026-01-12 21:07:35 格式时间戳 自动归档：视频按时间命名，存入 recordings/ 目录 即插即用：支持 USB 摄像头、树莓派 CSI 摄像头等 资源安全释放：异常退出也能正确关闭文件和设备 核心原理：为什么用“三帧差分”？ 传统的两帧差分法（当前帧 vs 上一帧）在目标静止时会丢失轮廓，导致漏检。而三帧差分法通过计算： diff1 = |frame(t) - frame(t-1)| diff2 = |frame(t+1) - frame(t)| motion = diff1 ∩ diff2 只有连续两帧都发生变化的区域才被认为是“真实运动”，有效抑制了噪声和短暂干扰。 配合形态学开运算 + 膨胀，还能去除小噪点并填充运动区域空洞，大幅提升检测鲁棒性。 完整代码解析 以下是经过优化的完整实现（已注释关键逻辑）： import cv2 import datetime import os # ------------------ 配置参数 ------------------ CAMERA_INDEX = 1 # 摄像头索引（0=默认，1=外接） THRESHOLD = 25 # 帧差二值化阈值（值越小越敏感） MIN_CONTOUR_AREA = 800 # 最小有效运动区域（像素面积） RECORD_DIR = "recordings" POST_MOTION_BUFFER_SEC = 3 # 运动停止后继续录3秒，避免片段截断 os.makedirs(RECORD_DIR, exist_ok=True) # ------------------ 初始化摄像头 ------------------ cap = cv2.VideoCapture(CAMERA_INDEX) if not cap.isOpened(): raise IOError("无法打开摄像头，请检查设备连接") # 读取前三帧（用于三帧差分） ret, prev_frame = cap.read() ret, curr_frame = cap.read() ret, next_frame = cap.read() if not all([ret, ret, ret]): raise RuntimeError("无法获取初始视频帧") # 录像状态管理 is_recording = False video_writer = None last_motion_time = datetime.datetime.now() def three_frame_diff(prev, curr, nxt, thresh_val=25): """三帧差分 + 形态学优化""" gray_prev = cv2.cvtColor(prev, cv2.COLOR_BGR2GRAY) gray_curr = cv2.cvtColor(curr, cv2.COLOR_BGR2GRAY) gray_next = cv2.cvtColor(nxt, cv2.COLOR_BGR2GRAY) diff1 = cv2.absdiff(gray_curr, gray_prev) diff2 = cv2.absdiff(gray_next, gray_curr) _, bin1 = cv2.threshold(diff1, thresh_val, 255, cv2.THRESH_BINARY) _, bin2 = cv2.threshold(diff2, thresh_val, 255, cv2.THRESH_BINARY) combined = cv2.bitwise_and(bin1, bin2) kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) combined = cv2.morphologyEx(combined, cv2.MORPH_OPEN, kernel) # 去噪 combined = cv2.dilate(combined, kernel, iterations=1) # 填充 return combined def add_timestamp_to_frame(frame): """在帧左上角添加时间水印（格式：2026-01-12 21:07:35）""" timestamp_str = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") # 双层文字：白色主体 + 黑色描边，提升可读性 cv2.putText(frame, timestamp_str, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2, cv2.LINE_AA) cv2.putText(frame, timestamp_str, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 0), 1, cv2.LINE_AA) return frame try: print("\n[*] 运动检测开始") while True: ret, raw_frame = cap.read() if not ret: break display_frame = raw_frame.copy() # 用于显示（含检测框） motion_mask = three_frame_diff(prev_frame, curr_frame, next_frame, THRESHOLD) # 查找有效运动区域 contours, _ = cv2.findContours(motion_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) motion_detected = False for cnt in contours: if cv2.contourArea(cnt) > MIN_CONTOUR_AREA: x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(display_frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.putText(display_frame, "MOTION!", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) motion_detected = True # 滑动更新帧缓存 prev_frame = curr_frame.copy() curr_frame = next_frame.copy() ret, next_frame = cap.read() if not ret: break current_time = datetime.datetime.now() # 启动录像（仅当首次检测到运动） if motion_detected: last_motion_time = current_time if not is_recording: timestamp = current_time.strftime("%Y%m%d_%H%M%S") video_path = os.path.join(RECORD_DIR, f"motion_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') h, w = raw_frame.shape[:2] video_writer = cv2.VideoWriter(video_path, fourcc, 20.0, (w, h)) is_recording = True print(f"[+] 开始录制: {video_path}, {current_time.strftime('%Y-%m-%d %H:%M:%S')}") # 写入带时间水印的原始帧（无检测框！） if is_recording: frame_to_save = raw_frame.copy() frame_to_save = add_timestamp_to_frame(frame_to_save) video_writer.write(frame_to_save) # 缓冲期结束则停止 if (current_time - last_motion_time).total_seconds() > POST_MOTION_BUFFER_SEC: video_writer.release() is_recording = False print(f"[-] 停止录制, {current_time.strftime('%Y-%m-%d %H:%M:%S')}") # （可选）取消注释以下代码可实时查看检测效果 # cv2.imshow("Display", display_frame) # cv2.imshow("Mask", motion_mask) # if cv2.waitKey(30) == 27: break finally: # 确保资源被释放 if is_recording: video_writer.release() cap.release() cv2.destroyAllWindows() 注意：代码中已注释掉 cv2.imshow 部分，使其可在无图形界面的服务器或树莓派后台运行。如需调试，取消注释即可。 点击查看代码 import cv2 import datetime import os # ------------------ 配置参数 ------------------ CAMERA_INDEX = 1 # 摄像头索引 THRESHOLD = 25 # 帧差阈值 MIN_CONTOUR_AREA = 800 # 最小运动区域面积 RECORD_DIR = "recordings" POST_MOTION_BUFFER_SEC = 3 # 运动停止后继续录几秒 os.makedirs(RECORD_DIR, exist_ok=True) # ------------------ 初始化摄像头 ------------------ cap = cv2.VideoCapture(CAMERA_INDEX) if not cap.isOpened(): raise IOError("无法打开摄像头，请检查设备连接") # 读取前三帧（用于三帧差分） ret, prev_frame = cap.read() ret, curr_frame = cap.read() ret, next_frame = cap.read() if not all([ret, ret, ret]): raise RuntimeError("无法获取初始视频帧") # 录像状态管理 is_recording = False video_writer = None last_motion_time = datetime.datetime.now() def three_frame_diff(prev, curr, nxt, thresh_val=25): """三帧差分法 + 形态学优化""" gray_prev = cv2.cvtColor(prev, cv2.COLOR_BGR2GRAY) gray_curr = cv2.cvtColor(curr, cv2.COLOR_BGR2GRAY) gray_next = cv2.cvtColor(nxt, cv2.COLOR_BGR2GRAY) diff1 = cv2.absdiff(gray_curr, gray_prev) diff2 = cv2.absdiff(gray_next, gray_curr) _, bin1 = cv2.threshold(diff1, thresh_val, 255, cv2.THRESH_BINARY) _, bin2 = cv2.threshold(diff2, thresh_val, 255, cv2.THRESH_BINARY) combined = cv2.bitwise_and(bin1, bin2) kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) combined = cv2.morphologyEx(combined, cv2.MORPH_OPEN, kernel) combined = cv2.dilate(combined, kernel, iterations=1) return combined def add_timestamp_to_frame(frame): """在帧左上角添加中文格式时间水印""" timestamp_str = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") # OpenCV putText 不支持中文，所以我们用数字+符号组合（实际显示正常） cv2.putText( frame, timestamp_str, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), # 白色 2, cv2.LINE_AA ) cv2.putText( frame, timestamp_str, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 0), # 黑色描边，增强可读性 1, cv2.LINE_AA ) return frame try: print("\n[*] 运动检测开始") while True: ret, raw_frame = cap.read() # 原始帧（未处理） if not ret: break # 用于显示的副本（可加检测框） display_frame = raw_frame.copy() # 执行运动检测（基于前三个原始帧） motion_mask = three_frame_diff(prev_frame, curr_frame, next_frame, THRESHOLD) # 检测运动区域（仅用于显示和触发逻辑） contours, _ = cv2.findContours(motion_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) motion_detected = False for cnt in contours: if cv2.contourArea(cnt) > MIN_CONTOUR_AREA: x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(display_frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.putText(display_frame, "MOTION!", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) motion_detected = True # 更新帧缓存 prev_frame = curr_frame.copy() curr_frame = next_frame.copy() ret, next_frame = cap.read() if not ret: break current_time = datetime.datetime.now() # --- 录像控制逻辑 --- if motion_detected: last_motion_time = current_time if not is_recording: timestamp = current_time.strftime("%Y%m%d_%H%M%S") video_path = os.path.join(RECORD_DIR, f"motion_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') height, width = raw_frame.shape[:2] video_writer = cv2.VideoWriter(video_path, fourcc, 20.0, (width, height)) is_recording = True timestamp_str = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") print(f"[+] 开始录制: {video_path},{timestamp_str}") # 写入带时间水印的原始帧（无检测框！） if is_recording: frame_to_save = raw_frame.copy() frame_to_save = add_timestamp_to_frame(frame_to_save) video_writer.write(frame_to_save) # 超时停止 if (current_time - last_motion_time).total_seconds() > POST_MOTION_BUFFER_SEC: video_writer.release() is_recording = False timestamp_str = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") print(f"[-] 停止录制,{timestamp_str}") # # 显示带检测框的画面（便于调试） # cv2.imshow("Motion Detector (Display with BBoxes)", display_frame) # cv2.imshow("Motion Mask", motion_mask) # if cv2.waitKey(30) == 27: # ESC 退出 # break finally: if is_recording: video_writer.release() cap.release() cv2.destroyAllWindows() ️ 使用指南 1. 安装依赖 pip install opencv-python 2. 修改摄像头索引 CAMERA_INDEX = 0：笔记本内置摄像头 CAMERA_INDEX = 1：外接 USB 摄像头 在 Linux 下可通过 ls /dev/video* 查看设备 3. 调整灵敏度 提高灵敏度：降低 THRESHOLD（如 15）或减小 MIN_CONTOUR_AREA 降低误报：提高 THRESHOLD（如 40）或增大 MIN_CONTOUR_AREA 4. 运行 python motion_monitor.py 录制的视频将自动保存在 recordings/ 文件夹中，命名如： motion_20260112_210735.mp4 应用场景扩展 家庭宠物监控：记录猫咪捣乱瞬间 无人值守店铺：夜间异常闯入报警 实验室/机房：设备状态异常记录 树莓派 + 移动电源：便携式野外监控站 若需进一步升级，可考虑： 添加微信/邮件通知（使用 smtplib 或企业微信 API） 支持 RTSP 网络摄像头 集成 YOLO 进行人/车分类 使用 FFmpeg 转 H.264 降低体积 ✅ 总结 本文提供了一个轻量、高效、生产可用的 Python 视频监控方案。它不依赖深度学习模型，资源占用低，适合部署在边缘设备上。通过三帧差分与智能录像策略，既保证了检测准确性，又避免了无效视频堆积。 真正的智能，不在于复杂，而在于恰到好处的自动化。 欢迎点赞、收藏、转发！ 如果你有改进想法或遇到问题，欢迎在评论区交流