OpenCV_基于混合高斯模型GMM的运动目标检测

OpenCV的video module中包含了几种较为常用的背景减除方法，其中混合高斯模型（Gaussian of Mixture Models, GMM）方法效果较好。 

常用的目标检测方法：1）帧间差分；2）背景减除；

其中背景减除方法的关键在于建立一个鲁棒的背景模型（背景图像），常用的建立背景模型方法有：

1）均值法；2）中值法；3）滑动平均滤波法；4）单高斯；5）混合高斯模型；6）codebook，等。

混合高斯模型的原理：

每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于，同一个像素位置处可以呈现多个模态的像素值变化（例如水波纹，晃动的叶子等）。

GMM的出处：Adaptive background mixture models for real-time tracking （1999年由Chris Stau er提出）

OpenCV版本：2.4.2

下面的代码实现了基于GMM的运动目标检测，同时能够消除运动阴影； （基于文献：Improved adaptive Gausian mixture model for background subtraction）

 //  基于混合高斯模型的运动目标检测
 //  Author： www.icvpr.com
 //  Blog： http://blog.csdn.net/icvpr

 #include <iostream>
 #include <string>

 #include <opencv2/opencv.hpp>


 int main(int argc, char** argv)
 {
     std::string videoFile = "../test.avi";

     cv::VideoCapture capture;
     capture.open(videoFile);

     if (!capture.isOpened())
     {
         std::cout<<"read video failure"<<std::endl;
         return -1;
     }


     cv::BackgroundSubtractorMOG2 mog;

     cv::Mat foreground;
     cv::Mat background;

     cv::Mat frame;
     long frameNo = 0;
     while (capture.read(frame))
     {
         ++frameNo;

         std::cout<<frameNo<<std::endl;

         // 运动前景检测，并更新背景
         mog(frame, foreground, 0.001);

         // 腐蚀
         cv::erode(foreground, foreground, cv::Mat());

         // 膨胀
         cv::dilate(foreground, foreground, cv::Mat());

         mog.getBackgroundImage(background);   // 返回当前背景图像

         cv::imshow("video", foreground);
         cv::imshow("background", background);


         if (cv::waitKey(25) > 0)
         {
             break;
         }
     }



     return 0;
 }

实验结果：

当前帧图像

当前背景图像

前景图像

经过腐蚀和膨胀处理后的前景图像

（白色为运动目标区域；灰色为阴影区域；黑色为背景）