基于OpenCV的简单抽烟识别框架核心技术思路与关键代码实现示例

使用 OpenCV 进行抽烟识别是一个典型的计算机视觉应用，通常需要结合目标检测、特征分析和行为判断等步骤。以下是实现这一任务的基本方法和思路：

一、核心技术思路

抽烟识别的关键在于检测两个核心目标：手部 / 手臂动作和烟雾特征，并结合两者的时空关系判断是否为抽烟行为。主要步骤如下：

视频帧捕获与预处理

从摄像头或视频文件中读取帧序列

预处理：灰度化、去噪（高斯模糊）、增强对比度等，提高后续检测准确性

人体 / 手部检测

定位画面中的人体（尤其是上半身）和手部区域，可使用：

传统方法：Haar 级联分类器（适合简单场景）；

深度学习方法：YOLO、SSD 等目标检测模型（推荐，精度更高）。

烟雾特征分析

烟雾的视觉特征：颜色（多为灰白色）、动态扩散性、半透明性、边缘模糊等。

分析方法：

颜色空间分析：在 HSV 空间中提取特定颜色范围（烟雾通常在低饱和度区域）；

动态变化检测：通过帧差法或光流法检测手部区域附近的动态模糊区域；

形态学操作：通过膨胀 / 腐蚀去除噪声，提取烟雾轮廓。

行为判断

当检测到手部靠近口部且附近存在符合烟雾特征的区域，且该状态持续一定时间（排除误判），则判定为抽烟行为。

二、关键代码实现示例

以下是一个基于 OpenCV 的简单抽烟识别框架（需结合实际模型优化）：

import cv2

import numpy as np

# 1. 视频捕获

cap = cv2.VideoCapture(0)  # 0表示默认摄像头

# 2. 预处理函数

def preprocess_frame(frame):

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)  # 灰度化

blur = cv2.GaussianBlur(gray, (5, 5), 0)  # 高斯去噪

return blur

# 3. 手部检测（示例使用Haar分类器，实际建议用YOLO）

hand_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_hand.xml')  # 需要手部数据集训练

# 4. 烟雾检测函数（基于颜色和动态特征）

def detect_smoke(frame, hand_roi):

# 提取手部区域附近的ROI（感兴趣区域）

x, y, w, h = hand_roi

roi = frame[y:y+h+50, x:x+w]  # 扩大区域检测烟雾

# 转换到HSV空间，提取低饱和度区域（烟雾特征）

hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)

lower_smoke = np.array([0, 0, 50])  # 调整阈值适应场景

upper_smoke = np.array([180, 50, 200])

smoke_mask = cv2.inRange(hsv, lower_smoke, upper_smoke)

# 计算烟雾区域面积

smoke_area = np.sum(smoke_mask) / 255  # 白色像素占比

return smoke_area > 50  # 设定阈值判断是否存在烟雾

# 5. 主循环

smoke_counter = 0  # 连续检测计数器

while cap.isOpened():

ret, frame = cap.read()

if not ret:

break

# 预处理

processed = preprocess_frame(frame)

# 检测手部

hands = hand_cascade.detectMultiScale(processed, 1.1, 5)

# 遍历手部区域，检测烟雾

smoking_detected = False

for (x, y, w, h) in hands:

# 绘制手部框

cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 检测烟雾

if detect_smoke(frame, (x, y, w, h)):

cv2.putText(frame, "Smoke detected", (x, y-10),

cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)

smoke_counter += 1

smoking_detected = True

else:

smoke_counter = max(0, smoke_counter - 1)  # 计数器衰减

# 持续检测到烟雾超过阈值，判定为抽烟

if smoke_counter > 10:  # 连续10帧检测到

cv2.putText(frame, "Smoking Behavior!", (50, 50),

cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 3)

# 显示结果

cv2.imshow('Smoking Detection', frame)

if cv2.waitKey(1) & 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

三、优化方向

使用深度学习提升检测精度

用 YOLOv5/YOLOv8 训练专门的烟雾和手部检测模型（需标注抽烟场景数据集）；结合姿态估计（如 MediaPipe）判断手部是否靠近口部。

特征融合

结合烟雾的动态特征（如光流向量）和静态特征（颜色、纹理）；使用背景减除（如 MOG2 算法）提取运动区域，排除静态干扰。

抗干扰处理

针对光照变化：使用自适应阈值或白平衡校正；

针对相似物体（如白色杯子）：增加形状和纹理分析。

四、注意事项

实际应用中需大量标注数据训练模型，否则传统方法易受环境干扰；可结合边缘计算设备（如 Jetson Nano）实现实时检测；抽烟行为的判定需要时间序列分析（非单帧判断），避免误检。

通过上述方法，可以构建一个基础的抽烟识别系统，实际部署时需根据场景进行参数调优和模型训练。