1. 这不是教科书里的“边缘检测”而是产线调试现场拍着桌子吼出来的轮廓提取方案你有没有遇到过这种场景在某工业视觉项目里客户指着屏幕上抖动的轮廓线说“这根本没法用”而你刚调好的Canny参数在实验室灯光下明明稳如老狗或者在某个校园创新赛答辩现场评委盯着你PPT里那团糊成一片的二值图问“同学你说这是‘精确提取’它连自己是圆是方都分不清。”——别急这不是你技术不行而是绝大多数人从一开始就没搞清一件事OpenCV里的cv2.Canny()和cv2.findContours()从来就不是两个独立功能模块它们是一对必须协同作战的搭档中间隔着一层极易被忽略的“图像语义桥接层”。这个标题“opencv-边缘检测获取轮廓”表面看是两个基础函数的拼接实则藏着一个完整的视觉处理链路设计逻辑。我带过的几个实习生第一次独立写轮廓识别代码时90%以上的人会直接把Canny输出的二值图喂给findContours结果要么漏掉关键部件要么把噪声当轮廓最后在调试日志里疯狂打印len(contours)却始终得不到预期数量。问题出在哪不是阈值没调好而是他们压根没意识到Canny输出的是边缘像素点集而findContours需要的是闭合区域边界——这两者之间差着一个“连通性重建”和“结构语义校准”的过程。核心关键词“边缘检测”“轮廓获取”背后真正要解决的是如何让机器在千变万化的光照、材质、背景干扰下稳定地把目标物体的“物理边界”映射为程序可计算的“几何轮廓”。它不只关乎算法更涉及图像预处理的取舍、噪声抑制的尺度选择、轮廓筛选的业务逻辑嵌入。比如在某次金属件缺陷检测中我们发现单纯提高Canny的高阈值会让划痕边缘断裂但降低又引入大量氧化斑点噪声最终解决方案不是调参而是先用形态学闭运算“缝合”微小断裂再用面积长宽比双条件过滤轮廓——这些都不是OpenCV文档里写的而是产线连续三天凌晨两点调试后记在烟盒背面的经验。适合谁来读如果你正卡在“能跑通但不准”“参数一换就崩”“轮廓多得数不清”的阶段这篇就是为你写的。它不讲数学推导不堆API列表只告诉你每一步操作背后的物理意义是什么为什么这里必须用高斯模糊而不是均值滤波为什么findContours的mode参数选RETR_EXTERNAL还是RETR_TREE直接决定你后续是否要重写整个缺陷分类逻辑以及——最关键的是如何用三行代码快速验证当前轮廓提取是否真的符合你的业务需求。2. 内容整体设计与思路拆解为什么必须把“边缘检测”和“轮廓获取”当成一个闭环系统来看2.1 传统教学路径的致命误区把Canny和findContours当成两个独立步骤翻开任何一本OpenCV入门教程你大概率会看到这样的代码结构gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5,5), 0) edges cv2.Canny(blurred, 50, 150) contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)这段代码在教材示例图上运行完美但放到真实场景里失败率极高。问题根源在于它隐含了一个危险假设——“Canny输出的边缘图天然具备findContours所需的拓扑完整性”。而现实是Canny算法本身的设计目标是定位梯度极值点它通过非极大值抑制Non-Maximum Suppression和双阈值滞后阈值Hysteresis Thresholding来标记“最可能属于边缘的像素”但它不保证这些像素能自动连成闭合曲线。尤其在目标边缘存在轻微反光、材质过渡区或低对比度区域时Canny输出的往往是离散的短线段而非连续轮廓。我参与过某物流分拣系统的视觉升级原方案用上述经典流程识别纸箱轮廓但在阴雨天仓库顶灯频闪时纸箱边缘频繁出现“断点”导致findContours每次只能捕获到3-5个碎片化轮廓而实际需要的是1个完整矩形。后来我们做了个简单实验把Canny输出图放大到200%肉眼可见边缘线每隔2-3像素就有一个1-2像素的缺口。这时候强行调低Canny低阈值结果是把纸箱上的印刷文字也变成了“轮廓”。这就是典型的设计断层——把边缘检测当作轮廓提取的前置工序而非轮廓生成的原材料预处理环节。2.2 真实项目中的闭环设计逻辑四层桥接结构经过十几个工业视觉项目的锤炼我把“边缘检测轮廓获取”重构为一个四层桥接系统每一层都在解决上一层留下的语义鸿沟桥接层输入输出核心作用典型工具第1层语义降噪层原始RGB图抑制无关纹理的灰度图消除颜色干扰保留结构信息cv2.cvtColor 自适应直方图均衡第2层结构强化层灰度图边缘响应增强图放大目标边缘梯度压制背景渐变cv2.Laplacian或cv2.Sobel预增强第3层边缘连通层Canny输出二值图拓扑连续的边缘掩膜缝合微小断裂消除孤立噪声点形态学闭运算cv2.MORPH_CLOSE第4层轮廓语义层连通边缘掩膜符合业务逻辑的轮廓列表按尺寸/形状/位置过滤剔除伪轮廓cv2.contourAreacv2.boundingRect自定义规则这个结构的关键在于第3层“边缘连通层”是成败分水岭。很多开发者跳过这层直接把Canny原始输出交给findContours结果就是“算法没错结果不准”。而真正的高手会把80%的调试时间花在第3层的形态学核尺寸和迭代次数上。比如在检测PCB焊点时我们发现用5x5椭圆形核闭运算2次能完美连接因铜箔氧化导致的微米级边缘断裂但若用方形核则会过度膨胀焊点轮廓导致相邻焊点粘连。2.3 方案选型背后的物理逻辑为什么不用深度学习替代看到这里你可能会问现在YOLO、Mask R-CNN这么火为什么还要死磕传统OpenCV流程答案很实在实时性、确定性和部署成本。在某汽车零部件装配线上视觉系统需在0.8秒内完成单帧处理相机曝光传输分析IO触发而轻量级YOLOv5s在Jetson Nano上实测耗时1.2秒。更重要的是深度学习模型的“黑箱”特性在工业场景中是致命伤——当客户质问“为什么这个合格品被判定为缺陷”你无法像解释cv2.Canny(50,150)那样指着梯度计算公式说清楚误判原因。而OpenCV方案中每个环节的输入输出都是可量化、可追溯的你可以精确说出“这个轮廓被过滤是因为它的面积小于200像素而标准件最小特征尺寸对应312像素”。另一个常被忽视的优势是光照鲁棒性设计自由度。深度学习模型训练数据一旦固定对新光照条件的泛化能力有限而OpenCV流程中你可以针对不同工况动态切换预处理策略——比如强背光场景启用CLAHE直方图均衡弱光场景改用伽马校正甚至在流水线不同工位部署不同参数组。这种“按需定制”的灵活性是端到端模型难以企及的。3. 核心细节解析与实操要点那些文档里不会写的参数陷阱与操作禁忌3.1 Canny阈值设置不是调参而是做一次“物理尺度标定”Canny的两个阈值threshold1低阈值和threshold2高阈值常被当作玄学参数乱调其实它们有明确的物理意义threshold2定义“确定边缘”的强度下限threshold1定义“潜在边缘”的强度下限且二者必须满足threshold1 threshold2。OpenCV官方文档建议threshold1:threshold2 ≈ 1:3但这只是起点。真实项目中你需要做一次“尺度标定”找一块标准测试板上面有已知宽度如0.5mm、1.0mm、2.0mm的黑色线条置于实际工作距离和光照下拍摄测量线条在图像中的像素宽度用cv2.line画线测量记录各宽度对应的像素值如0.5mm→3px1.0mm→6px计算梯度强度阈值对测试板图像做Sobel运算统计各宽度线条中心区域的梯度幅值分布取95%分位数作为threshold2基准值。我在某精密轴承检测项目中通过此方法将threshold2从经验性的150调整为217使0.3mm划痕的检出率从68%提升至99.2%。关键技巧是threshold1不要固定为threshold2/3而应设为threshold2 * 0.4~0.6区间并根据噪声水平动态调整——高噪声环境取0.6减少误触发低噪声取0.4避免漏检。提示永远先用cv2.createTrackbar创建实时滑动条调试阈值而不是写死数字。我见过太多人因为一个threshold150的硬编码在更换相机后花了两天才定位到问题。3.2 高斯模糊核尺寸不是越大越好而是匹配目标特征尺度cv2.GaussianBlur的核尺寸(ksize, ksize)常被设为(5,5)或(7,7)但这是严重误区。核尺寸决定了模糊的“空间感受野”必须与你要检测的目标边缘宽度匹配。计算公式很简单理想核尺寸 ≈ ceil(目标边缘像素宽度 × 3)其中“目标边缘像素宽度”指目标在图像中边缘过渡区的像素跨度。例如某塑料外壳接缝宽度为0.8mm在工作距离下对应图像中4像素那么理想高斯核应为ceil(4×3)12即(11,11)或(13,13)OpenCV要求奇数。若仍用(5,5)核会导致接缝边缘被过度平滑Canny无法准确定位若用(21,21)核则会把整个外壳轮廓都模糊掉。实操中我总结出三档速查表精细特征0.5mm用(3,3)或(5,5)核配合sigmaX0.8保持锐度常规特征0.5-2mm用(7,7)或(9,9)核sigmaX1.2粗犷特征2mm用(11,11)或(13,13)核sigmaX2.0。注意sigmaX参数不能省略默认sigmaX0会让OpenCV自动计算但自动计算值往往偏大导致过度模糊。务必手动指定且sigmaX值应约为核尺寸的1/3。3.3 findContours模式选择RETR_EXTERNAL、RETR_LIST、RETR_TREE的本质区别cv2.findContours的mode参数有5种选项但90%的项目只需关注前三个cv2.RETR_EXTERNAL只提取最外层轮廓忽略所有内部孔洞。适用于“目标是实心物体无需关心内部结构”的场景如纸箱、工件外形检测。优势是速度快、轮廓数量少但若目标有镂空设计如齿轮会把整个齿轮框当一个轮廓丢失齿形信息。cv2.RETR_LIST提取所有轮廓不建立层级关系。适用于“需要全部边缘信息且后续自行判断内外关系”的场景如电路板走线分析。缺点是轮廓数量爆炸某次检测FPC软板时RETR_LIST返回了2371个轮廓而实际有效轮廓仅12个。cv2.RETR_TREE构建完整的轮廓层级树每个轮廓有[Next, Previous, First_Child, Parent]四个索引。这是最强大的模式适用于“需区分目标本体与内部缺陷”的场景。例如检测金属盖板RETR_TREE能让你轻松找出“盖板外轮廓Parent”和“其内部的凹坑轮廓Child”从而计算凹坑面积占比。关键技巧永远用cv2.RETR_TREE起步调试。虽然它返回数据结构稍复杂但能让你一眼看清轮廓的拓扑关系。等逻辑稳定后再根据性能需求降级到RETR_EXTERNAL或RETR_LIST。我见过太多人因初期选错模式后期为区分内外轮廓不得不重写整套轮廓筛选逻辑。3.4 轮廓近似精度epsilon参数不是误差而是“特征保真度开关”cv2.approxPolyDP的epsilon参数常被误解为“允许的像素误差”其实它是轮廓周长的比例系数。公式为epsilon arcLength(contour, True) * accuracy_ratio其中accuracy_ratio通常取0.01~0.05。取0.01时近似多边形几乎与原轮廓重合取0.05时会大幅简化把圆近似为六边形把矩形近似为四边形。陷阱在于很多人固定用epsilon10结果在不同尺寸目标上效果迥异——对100px的小目标epsilon10相当于10%误差轮廓严重失真对1000px的大目标epsilon10仅0.01%误差失去简化意义。正确做法是动态计算epsilondef get_epsilon(contour, min_ratio0.005, max_ratio0.02): perimeter cv2.arcLength(contour, True) # 小轮廓用高精度大轮廓用低精度 ratio min(max_ratio, max(min_ratio, 0.015 * (1000 / max(1, perimeter)))) return perimeter * ratio # 使用 epsilon get_epsilon(contour) approx cv2.approxPolyDP(contour, epsilon, True)这个函数确保小轮廓perimeter100用ratio0.015保细节大轮廓perimeter1000用ratio0.005强简化中间平滑过渡。在某次二维码定位中此方法使角点检测准确率从82%提升至99.7%因为小尺寸二维码的角点易被噪声干扰需要更高精度拟合。4. 实操过程与核心环节实现从一张模糊照片到精准轮廓坐标的完整链路4.1 完整代码实现与逐行注释以下是一个工业级轮廓提取函数已通过某食品包装盒检测项目验证环境Intel i5-8300H, OpenCV 4.5.5import cv2 import numpy as np def robust_contour_extraction( img, blur_ksize(7, 7), blur_sigma1.2, canny_low45, canny_high135, morph_kernel_size5, min_area300, max_area50000, aspect_ratio_range(0.3, 3.0), approx_accuracy0.01 ): 鲁棒性轮廓提取主函数 参数说明 - img: 输入BGR图像 - blur_ksize: 高斯模糊核尺寸推荐(7,7)用于常规目标 - blur_sigma: 高斯模糊sigma推荐1.2 - canny_low/canny_high: Canny双阈值推荐比例1:3 - morph_kernel_size: 形态学闭运算核尺寸推荐5对应3-5像素断裂 - min_area/max_area: 轮廓面积过滤范围单位像素 - aspect_ratio_range: 长宽比过滤范围(min,max)元组 - approx_accuracy: 轮廓近似精度比例推荐0.01 # 步骤1语义降噪层 - 转灰度并自适应直方图均衡 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # CLAHE比普通直方图均衡更抗噪声 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) enhanced clahe.apply(gray) # 步骤2结构强化层 - 高斯模糊降噪注意此处模糊是为Canny服务非为图像去噪 blurred cv2.GaussianBlur(enhanced, blur_ksize, blur_sigma) # 步骤3边缘检测层 - Canny边缘提取 edges cv2.Canny(blurred, canny_low, canny_high) # 步骤4边缘连通层 - 形态学闭运算缝合断裂 kernel np.ones((morph_kernel_size, morph_kernel_size), np.uint8) closed_edges cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterations1) # 步骤5轮廓语义层 - 提取并过滤轮廓 contours, hierarchy cv2.findContours( closed_edges, cv2.RETR_TREE, # 必须用TREE获取层级关系 cv2.CHAIN_APPROX_SIMPLE ) valid_contours [] for i, contour in enumerate(contours): # 计算基础几何特征 area cv2.contourArea(contour) if area min_area or area max_area: continue x, y, w, h cv2.boundingRect(contour) aspect_ratio max(w, h) / max(1, min(w, h)) # 避免除零 if not (aspect_ratio_range[0] aspect_ratio aspect_ratio_range[1]): continue # 轮廓近似可选用于后续形状分析 perimeter cv2.arcLength(contour, True) epsilon perimeter * approx_accuracy approx cv2.approxPolyDP(contour, epsilon, True) # 存储原始轮廓近似轮廓几何特征 valid_contours.append({ original: contour, approx: approx, area: area, bbox: (x, y, w, h), aspect_ratio: aspect_ratio, hierarchy: hierarchy[0][i] if hierarchy is not None else None }) return valid_contours # 使用示例 if __name__ __main__: # 读取图像实际项目中应从相机流获取 img cv2.imread(package_box.jpg) # 执行轮廓提取 contours_info robust_contour_extraction( img, blur_ksize(7, 7), canny_low45, canny_high135, morph_kernel_size5, min_area500, max_area45000 ) print(f检测到 {len(contours_info)} 个有效轮廓) for i, info in enumerate(contours_info): print(f轮廓{i1}: 面积{info[area]:.0f}px², f长宽比{info[aspect_ratio]:.2f}, f位置({info[bbox][0]},{info[bbox][1]}))4.2 关键参数计算过程详解以某饮料瓶标签检测为例演示如何科学设定参数场景描述相机分辨率1920×1080工作距离30cm瓶身标签尺寸60mm×90mm需检测标签四角坐标。步骤1计算标签在图像中的像素尺寸传感器尺寸假设为1/2.8英寸约5.4mm×4.0mm焦距6mm镜头成像公式图像尺寸 / 传感器尺寸 实际尺寸 / 工作距离标签宽度成像w_px (60mm / 300mm) × 1920px ≈ 384px标签高度成像h_px (90mm / 300mm) × 1080px ≈ 324px步骤2设定Canny阈值对标签区域截图做Sobel运算统计梯度幅值背景区域梯度均值12.3标准差8.7标签边缘梯度均值89.6标准差23.1取背景梯度99%分位数12.3 8.7×2.33 ≈ 32.6→canny_low下限取边缘梯度95%分位数89.6 - 23.1×1.64 ≈ 51.7→canny_high下限最终设定canny_low35,canny_high105留出安全余量步骤3设定形态学核尺寸标签边缘在图像中过渡区约2-3像素因曲面反光理想闭运算核ceil(3×3)9但为避免过度膨胀选用5×5核1次迭代实测最优步骤4设定面积过滤范围标签最小理论面积384×324×0.7≈87,000px²考虑透视变形设min_area70000,max_area120000预留15%误差这套计算过程看似繁琐但只需做一次标定后续同类型项目可复用参数模板调试时间从半天缩短至15分钟。4.3 实操现场记录三次失败调试与最终突破在某次医疗导管轮廓检测中我们经历了典型的“三步踩坑”第一次失败直接套用教材代码现象findContours返回137个轮廓但导管主体轮廓被分割成5段排查放大Canny输出图发现导管边缘因透明材质折射形成0.5-1像素宽的双线边缘Canny将两条线都识别为边缘中间区域未连接解决在Canny前增加cv2.Laplacian增强突出主边缘闭运算核从3×3改为5×5第二次失败闭运算过度膨胀现象导管轮廓连成一片但把旁边支架也粘连进来排查morphologyEx的iterations2导致膨胀过猛解决改用iterations1并改用椭圆形核cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))方向性抑制横向粘连第三次失败轮廓近似失真现象导管末端圆弧被近似为直线影响后续圆心定位排查epsilon10对大轮廓perimeter≈2500仅0.4%精度不足以保圆弧解决改用动态epsilon计算对导管轮廓设epsilonperimeter*0.005圆弧保真度达99.2%最终方案稳定运行于12台设备连续3个月无误检漏检。关键心得每一次“失败”都是图像物理特性的显性反馈读懂它比调参更重要。5. 常见问题与排查技巧实录产线工程师私藏的21个避坑清单5.1 轮廓数量异常类问题速查表现象最可能原因快速验证方法解决方案轮廓数量远超预期如应得1个返回501. Canny低阈值过高捕获大量噪声2. 图像未充分模糊高频噪声被误检用cv2.imshow(edges, edges)查看边缘图若满屏雪花状噪点即确认① 降低canny_low至背景梯度均值2σ② 增大高斯模糊核尺寸轮廓数量远低于预期如应得5个返回0个1. Canny高阈值过高目标边缘未达阈值2. 目标与背景对比度过低查看灰度图直方图cv2.calcHist若目标区域像素集中在100-150灰度而canny_high200则必漏检① 降低canny_high至目标边缘梯度均值② 添加CLAHE增强或伽马校正同一目标每次检测轮廓数波动大1. 光照不稳定导致边缘强度变化2. 相机自动增益AGC开启固定相机参数用cv2.VideoCapture.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25)关闭AGC强制关闭相机自动调节用固定曝光补光灯5.2 轮廓形状失真类问题处理指南问题矩形目标轮廓呈“阶梯状”锯齿原因cv2.CHAIN_APPROX_SIMPLE在压缩时过度简化尤其在斜边处验证用cv2.drawContours绘制原始轮廓非近似若仍锯齿则非近似问题解决若是原始轮廓锯齿增大高斯模糊核尺寸或改用cv2.GaussianBlur替代cv2.medianBlur中值滤波破坏边缘连续性若是近似后锯齿降低epsilon值或改用cv2.CHAIN_APPROX_TC89_L1更精细的近似算法问题圆形目标轮廓近似为多边形顶点数过多原因epsilon值过小未达到“圆”的简化阈值验证计算近似后顶点数若12则过度细分解决# 圆形专用epsilon计算 def circle_epsilon(contour, target_vertex8): perimeter cv2.arcLength(contour, True) # 圆的周长2πr顶点数∝周长/边长设目标边长周长/8 return perimeter / target_vertex * 0.5 # 0.5为安全系数5.3 性能瓶颈类问题优化技巧问题findContours耗时超过200ms无法满足实时性根因分析findContours时间复杂度为O(n)n为边缘像素数。当Canny输出图中边缘像素过多时性能骤降。实测数据在1920×1080图像中若edges图非零像素50,000findContours平均耗时310ms若10,000则仅45ms。优化方案前端压缩在Canny前用cv2.pyrDown缩小图像如cv2.pyrDown(img, dstsize(960,540))处理后再cv2.pyrUp恢复速度提升2.3倍精度损失3%ROI裁剪若目标区域固定用img[y:yh, x:xw]裁剪后再处理避免全图扫描阈值预筛对edges图做cv2.countNonZero若30,000则先执行cv2.morphologyEx(edges, cv2.MORPH_OPEN, kernel)开运算去噪。5.4 业务逻辑嵌入实战如何让轮廓提取“懂业务”纯技术方案常败在最后一公里——提取出轮廓却不知哪个是“主目标”。以下是三个真实业务场景的嵌入技巧场景1多目标中识别最大目标如流水线最大工件# 在valid_contours列表中 main_contour max(valid_contours, keylambda x: x[area]) # 但需加业务约束面积必须次大目标的1.5倍防误触 areas [c[area] for c in valid_contours] if len(areas) 1: areas_sorted sorted(areas, reverseTrue) if areas_sorted[0] areas_sorted[1] * 1.5: raise ValueError(主目标不显著疑似误检)场景2排除运动模糊导致的拉长轮廓# 计算轮廓的凸包与原轮廓面积比 hull cv2.convexHull(contour) hull_area cv2.contourArea(hull) if hull_area 0 and contour_area / hull_area 0.3: # 凸包面积远大于轮廓说明轮廓极度不规则如运动模糊拖影 continue场景3基于位置的优先级筛选如只取画面中央区域轮廓# 定义中央ROI占画面60% h, w img.shape[:2] center_x, center_y w//2, h//2 roi_w, roi_h int(w*0.6), int(h*0.6) roi_left, roi_top center_x - roi_w//2, center_y - roi_h//2 # 检查轮廓中心点是否在ROI内 M cv2.moments(contour) if M[m00] ! 0: cx int(M[m10] / M[m00]) cy int(M[m01] / M[m00]) if (roi_left cx roi_leftroi_w and roi_top cy roi_toproi_h): # 属于中央ROI赋予高优先级 pass这些技巧的共同点是把业务规则转化为几何约束而非后期人工判断。它们让OpenCV流程从“技术实现”升级为“业务解决方案”这才是资深工程师和新手的本质区别。6. 实战延伸当传统方法遇到极限场景如何组合式破局6.1 极低对比度场景用梯度域增强替代灰度域处理在某半导体晶圆检测中电路走线与基底灰度差仅5-8个灰度级Canny完全失效。我们放弃传统灰度路径转投梯度域# 步骤1计算XY方向梯度 grad_x cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize3) grad_y cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize3) # 步骤2计算梯度幅值和方向 mag, angle cv2.cartToPolar(grad_x, grad_y) # 步骤3对梯度幅值图做自适应阈值此时对比度被极大提升 _, binary_mag cv2.threshold(mag, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 步骤4在binary_mag上执行形态学闭运算和轮廓提取此方法将信噪比提升12dB使0.1μm线宽的走线清晰可辨。核心思想当灰度域信息不足时挖掘梯度域的结构信息。6.2 动态背景干扰用帧差法预提取运动区域在某交通监控项目中树叶晃动、云影移动造成大面积伪边缘。我们引入运动检测# 维护一个背景模型用高斯混合模型 fgbg cv2.createBackgroundSubtractorMOG2( history500, varThreshold16, detectShadowsFalse ) # 对当前帧做前景检测 fgmask fgbg.apply(frame) # 将前景掩膜与Canny边缘图做AND运算只保留运动区域的边缘 edges_motion cv2.bitwise_and(edges, edges, maskfgmask) # 在edges_motion上提取轮廓 contours, _ cv2.findContours(edges_motion, ...)此方案使误检率从37%降至2.1%关键是把“静态背景噪声”从源头剥离。6.3 多尺度目标共存金字塔分层检测当画面中同时存在大目标如车身和小目标如螺丝时单一尺度Canny必然顾此失彼。我们采用图像金字塔def multi_scale_contours(img, scales[1.0, 0.5, 0.2