Python摄像头监控：运动检测+自动录像
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
浙公网安备 33010602011771号