opencv图像处理—背景建模

课程来自哔站唐宇迪【计算机视觉-OpenCV】唐宇迪博士教会了我大学四年没学会的OpenCV OpenCV计算机视觉实战全套课程（附带课程课件资料+课件笔记+源码）_哔哩哔哩_bilibili

---

目录

 背景建模

帧差法 

 混合高斯模型

 混合高斯模型学习方法

混合高斯模型测试方法 

---

 背景建模

帧差法 

由于场景中的目标在云动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。

 

 后一帧减去前一帧，灰度差大于一个阈值，则取值255即保留，否则置为0.

• 帧差法非常简单，但是会引入噪音和空洞问题

 混合高斯模型

 在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。

在视频中对于像素点的变化情况应当是符合高斯分布。

 背景的实际分布应当是多个高斯分布混合在一起，每个高斯模型也可以带有权重

 混合高斯模型学习方法

1.  首先初始化每个高斯模型矩阵参数
2. 取视频中T帧数据图像用来训练高斯混合模型。来了第一个像素之后用他来当做第一个高斯分布。
3. 当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该分布，并对其进行参数更新。
4. 如果下依稀来的像素不满足当前高斯分布，用它来创建一个新的高斯分布。

混合高斯模型测试方法 

 在测试阶段，对新来像素点的值与混合高斯模型中的每一个均值进行比较，如果其差值在2倍的方差之内的话，则认为是背景，否则认为是前景。将前景赋值为255，背景赋值为0.这样就形成了一副前景二值图。

import numpy as np
import cv2

#经典的测试视频
cap = cv2.VideoCapture('E:\OpenCv\video\beijingjianmo.avi')
#形态学操作需要使用
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
#创建混合高斯模型用于背景建模
fgbg = cv2.createBackgroundSubtractorMOG2()

while(True):
    ret, frame = cap.read()#一帧一帧读取视频
    fgmask = fgbg.apply(frame)#将获取到的每一帧图像都应用到当前的背景提取当中，前景置为255，背景置为0
    #形态学中开运算去掉噪音点
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
    #寻找视频中的轮廓
    im, contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    for c in contours:
        #计算各轮廓的周长
        perimeter = cv2.arcLength(c,True)#计算各轮廓的周长
        if perimeter >188:
            #找到一个直矩阵(不会旋转)
            x,y,w,h = cv2.boundingRect(c)
            #画出这个矩阵
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)
            
    cv2.imshow('frame',frame)
    cv2.imshow('fgmask',fgmask)
    k = cv2.waitKey(150) & 0xff
    if k ==27:#表示Esc退出
        break

cap.release()
cv2.destroyAllWindows()