我有一个安装的（静态）相机，可以看到一组滑动门。由于门本质上是矩形的，并且它们没有很多自由度，因此这似乎是一个相对容易可靠解决的问题。以下是一些示例视图（我为说明目的绘制了红色的门轮廓，它们没有被算法检测到）：
首先，这是关闭的推拉门的视图：
接下来，这是正在打开的滑动门的视图：
最后，这是打开但有遮挡的滑动门的视图：
我最初的想法是围绕霍夫变换，但我觉得可能有更好的解决方案，因为我知道门实际上只能沿着一个轴滑动。
重申我的问题，如何可靠地从视频流中检测出滑动门是打开还是关闭，就像我的图像中的那样？
为了更好地处理遮挡，我的想法是将这个问题分成检测是否：
为了解决这些问题中的任何一个，我将应用以下算法，比如说 (1) ：
1.1 从相机中拍摄一张照片作为背景图像。
1.2 裁剪它，只保留第一个门完全打开时应该在的部分，这很容易，因为相机是静态的。
1.3 对来自相机的当前图像执行相同操作。
1.4 计算这两个裁剪图像的绝对差异。
1.5 计算该 absdiff 的平均值（可选地除以裁剪部分的表面以对其进行归一化）。
1.6 根据该值确定门是否完全打开（低值表示可能已打开，低值表示可能未打开），例如使用阈值。
对于步骤 1.1-1.4，尤其是更新背景图像，您可以使用不同的背景减法算法。
一旦你可以正确地决定，如果没有太多的遮挡，如果陈述 (1-4) 是真的，你可以，为了处理遮挡，这最有效，假设两个门总是同时处于相同的打开/关闭状态：
5.1 保持每个（1-4）部分的（归一化）绝对差平均值
5.2 使用一些算法来决定门是打开还是关闭
我将以您的最后一张图片为例说明步骤 5.2，假设第一扇门是图片底部的一扇门（我们唯一能看到的门）：
“门 2 完全关闭”和“门 2 完全打开”的 absdiff 平均值都很高，因为该人在这两个地方的前面。所以（3）和（4）都被说成是假的（或真取决于你如何实现它），这是不太可能的。
(2) 的 absdiff 平均值较高，但 (1) 的平均值较低。
-> 因此，5.2 的可能算法可以使用 (1) 和 (2) 以及 (3) 和 (4) 的 absdiff 平均值之间的差异作为阈值。
我认为，加上一些去噪技术，就可以完成这项工作。
如果我的解决方案对您来说不清楚，请随时在评论中询问我。
编辑：没有看到帖子的日期，我不知道为什么它在我的提要中出现这么晚，我让这个答案以防它对其他人有用。
我认为跟踪窗户的角落或把手之类的运动会起作用。考虑以下程序： 1.跟踪windwo的角点 2.如果角点的位置变化超过X像素（你确定X），改变状态我建议使用对象跟踪算法。我认为最好的候选点是窗口的角落。对于角点跟踪，我知道的最佳算法是 KLT（OpenCV 实现）和卡尔曼滤波器。我认为以下算法会起作用，并且由于这些算法逐帧更新，它们可以处理光线和障碍物的环境变化。
