唐宇迪opencv-背景建模

 参考【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

帧差法

由于场景中的目标在移动，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。

帧差法运用简单,但是存在引入噪声和空洞的问题

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.然后再测试阶段,对新来的像素进行GNN匹配,如果该像素值能够匹配其中一个高斯,则以为是背景.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.   背景的实际分布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它当作第一个高斯分布

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,属于该分布 ,并对其进行修改

4. 如果下一次来的像素不满足当前分布,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。

 项目实战:

import numpy as np
import cv2

# 经典的测试视频
cap = cv2.VideoCapture('E:/anaconda3/picture/test.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()