背景减除算法之K-Nearest(KNN)和Mixture of Gaussians(MOG2)

Python版本：3.5.2，Opencv版本：3.2.0，网上安装教程很多，在此不再赘述
MOG2算法，即高斯混合模型分离算法，是MOG的改进算法。它基于Z.Zivkovic发布的两篇论文，即2004年发布的“Improved adaptive Gausian mixture model for background subtraction”和2006年发布的“Efficient Adaptive Density Estimation per Image Pixel for the Task of Background Subtraction”中提出。
KNN算法，即K-nearest neigbours - based Background/Foreground Segmentation Algorithm。2006年，由Zoran Zivkovic 和Ferdinand van der Heijden在论文”Efficient adaptive density estimation per image pixel for the task of background subtraction.”中提出。
下面介绍两种算法的具体实现，实验中所用到的视频为CASIA步态数据库，用以上两种算法分别提取步态轮廓图像
步态视频已上传到百度云，步态视频，提取密码：9mt0

（一）MOG2算法实现

import numpy as np
import cv2

cap=cv2.VideoCapture('D:\gait-vedio\gait.avi')
#混合高斯，对每一帧的环境进行学习，常用来对不同帧进行比较，并存储以前的帧，可按时间推移的方法提高运动分析的结果。
fgbg=cv2.createBackgroundSubtractorMOG2() 

while(1):
    #默认第一帧为背景图片
    ret,frame=cap.read()

    fgmask=fgbg.apply(frame)

    cv2.imshow('frame',fgmask)

    k=cv2.waitKey(30)&0xff
#按'q'键退出循环
    if k== ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

实验结果，

（一）KNN算法实现
采用KNN实现视频图像的背景分割算法，并且保存每一帧图像（与视频文件在相同的文件夹）

import cv2

#视频文件路径
datapath = "D:/test1gait/"
bs = cv2.createBackgroundSubtractorKNN(detectShadows = False)#背景减除器，设置阴影检测
#训练帧数
history=20 
bs.setHistory(history)
frames=0
camera = cv2.VideoCapture(datapath + "gait2.avi")
count = 0


while True:
    ret, frame = camera.read()#返回元组  ret=True/False,代表是否读取到了图片
    if ret==True:
#计算前景掩码，包含 前景的白色值 以及 阴影的灰色值
        fgmask = bs.apply(frame)
        if frames < history:
            frames += 1
            continue
#读取每一帧
        print('Read a new frame: ', ret)
#对原始帧进行膨胀去噪，
#前景区域二值化，将非白色（0-244）的非前景区域（包含背景以及阴影）均设为0，前景的白色（244-255）设置为255
        th = cv2.threshold(fgmask.copy(), 244, 255, cv2.THRESH_BINARY)[1]
#前景区域形态学处理
        th = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3)), iterations = 2)
        dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (8,3)), iterations = 2)
#绘制前景图像的检测框
        image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        for c in contours:
#对轮廓设置最小区域，对检测结果降噪
            if cv2.contourArea(c) > 1000:
                #获取矩形框边界坐标
                (x,y,w,h) = cv2.boundingRect(c)
                cv2.rectangle(frame, (x,y), (x+w, y+h), (255, 255, 0), 2)
        cv2.imwrite("frame%d.jpg" % count, fgmask)#保存处理后的每一帧图片，JPEG格式的图片
        #显示
        cv2.imshow("mog", fgmask)
        cv2.imshow("thresh", th)
        cv2.imshow("diff", frame & cv2.cvtColor(fgmask, cv2.COLOR_GRAY2BGR))
        cv2.imshow("detection", frame)
        count += 1
        if cv2.waitKey(100) & 0xFF == ord('q'):
            break
    else:
        break
camera.release()
cv2.destroyAllWindows()

实验结果：