前景检测算法_3(GMM)

摘要

 

　　本文通过opencv来实现一种前景检测算法——GMM，算法采用的思想来自论文[1][2][4]。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。

 

关键字：GMM,opencv，前景检测

 

前言

 

　　前景检测主要分为帧差法，平均背景法，光流法，前景建模法，背景非参数估计，背景建模法等。而本文要实现的方法属于背景建模法中的一种——GMM，也称混合高斯模型。

　　混合高斯模型最早在计算机视觉中的应用是Stauffer et al.[1],作者将其用来做前景检测，主要是用于视频监控领域，这个系统和稳定且有自学能力，能在户外环境跑16个多月。KaewTraKulPong et al.[2]将GMM的训练过程做了改进，将训练过程分为2步进行，前L帧采用EM算法进行权值，均值，方差更新，后面的过程就采用[1]中的方法进行更新，取得了更好的检测效果。Zivkovic et al.在[3]中对GMM理论做了全面的论述，使得GMM理论的使用不仅金限于计算机视觉领域。并且该作者在[4]将该理论进一步具体到背景减图的前景检测中来，即加入了参数估计的先验知识，取得了很好的效果和稳定性。

　　最近几年陆续有学者对GMM的背景见图中的应用做了更深一步的研究，其代表性贡献见论文[5][6]。

 

  实现过程

 

　　本文中主要是根据[2][4]中提出的算法，采用其中的更新方差来根性模型中的3个参数，最后结合用opencv基本底层函数实现该算法。其主要过程如下：

1. 首先将每个高斯的均值,方差，权值都设置为0，即初始化个模型矩阵参数。
2. 采用视频中的T帧用来训练GMM模型。对每一个像素而言，建立其模型个数最大GMM_MAX_COMPONT个高斯的GMM模型。当第一个像素来，单独为其在程序中设置好其固定的初始均值，方差，并且权值设置为1。
3. 非第一帧训练过程中，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，则任务属于该高斯。此时用如下方程进行更新：

　　　　

　　4. 当到达训练的帧数T后，进行不同像素点GMM个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使

　　

　　这样就可以很好的消除训练过程中的噪声点。

　　5. 在测试阶段，对新来像素点的值与B个高斯中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。并且只要其中有一个高斯分量满足该条件就认为是前景。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。

　　6. 由于前景二值图中含有很多噪声，所以采用了形态学的开操作将噪声缩减到0，紧接着用闭操作重建由于开操作丢失的边缘部分的信息。消除了不连通的小噪声点。

　　上面是该算法实现的大概流程，但是当我们在具体编程时，还是有很多细节的地方需要注意，比如有些参数值的选择。在这里，经过试验将一些常用的参数值声明如下：

1. 3个参数的值的更新方差中，取其中的学习率为0.005。也就是说T等于200。
2. 定义每个像素的最大混合高斯个数取7。
3. 取视频的前200帧进行训练。
4. 取Cf为0.3。即满足权值大于0.7的个数为自适应高斯的个数B。
5. 训练过程中，需要新建立一个高斯时，其权值取值设为与学习率大小值相等，即0.005。
6. 训练过程中，需要新建立一个高斯时，取该高斯的均值为该输入像素值大小本身。方差为15。
7. 训练过程中，需要新建立一个高斯时，取该高斯的方差15。

 

   程序流程框图

 

　　该工程的流程框图如下图所示：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　   　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　试验结果

 

　　本次试验的数据为摇摆的树枝作为背景，Waving Trees，其来源网址为：http://research.microsoft.com/en-us/um/people/jckrumm/WallFlower/TestImages.htm 由于该数据是286张bmp格式的图片，所以用的前200张图片来作为GMM参数训练，后186张作为测试。训练的过程中树枝被很大幅度的摆动，测试过程中有行人走动，该行人是需要迁就检测的部分。

　　下图为训练过程中动态背景截图

　　

 

　　由上图可以看出，树枝在不断摇摆，可见其背景是动态的。

　　没有形态学处理的结果如下：

　　 

     下图是有简单形态学的试验结果：

　　 

      (上面2幅图的左边为测试原始图片，右图为检测效果图)

 

总结

 

　　通过本次试验，不仅学习到了GMM的相关理论知识，以及背景减图法在前景检测中的应用。更重要的时，对opencv在计算机视觉中的使用更进一步的熟悉了。另外对于目标检测的难点有了更深一层的理解。

 

参考文献

 

1. Stauffer, C. and W. E. L. Grimson (1999). Adaptive background mixture models for real-time tracking, IEEE.
2. KaewTraKulPong, P. and R. Bowden (2001). An improved adaptive background mixture model for real-time tracking with shadow detection.
3. Zivkovic, Z. and F. van der Heijden (2004). "Recursive unsupervised learning of finite mixture models." Pattern Analysis and Machine Intelligence, IEEE Transactions on 26(5): 651-656.
4. Zivkovic, Z. and F. van der Heijden (2006). "Efficient adaptive density estimation per image pixel for the task of background subtraction." Pattern recognition letters 27(7): 773-780.
5. Bouzerdoum, A., A. Beghdadi, et al. (2010). "On the analysis of background subtraction techniques using Gaussian mixture models."
6. Lin, H. H., J. H. Chuang, et al. (2011). "Regularized background adaptation: a novel learning rate control scheme for Gaussian mixture modeling." Image Processing, IEEE Transactions on 20(3): 822-836.

 

                                                                                                         后续改进

 

　　需要改进的地方：

　　1. 程序运行的速度太慢，很多参数都是浮点数，每个像素都要建立一个gmm，gmm个数本身比较多，所以训练过程中速度比较慢，代码需要优化。

　　2. 最后生成的前景图需要用连通域处理算法进行修整，即需要形态学操作，然后找出连通域大小满足要求的轮廓，用多边形拟合来进行处理。这种算法在《learning opencv》一书中有提到。后续有时间加入该算法，效果会好很多的。

 

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　  附录：工程代码

 

 //gmm.cpp : 定义控制台应用程序的入口点。
#include "stdafx.h"
#include "cv.h"
#include "highgui.h"
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <stdio.h>
#include <iostream>

using namespace cv;
using namespace std;

//定义gmm模型用到的变量
#define GMM_MAX_COMPONT 6
#define GMM_LEARN_ALPHA 0.005    //该学习率越大的话，学习速度太快，效果不好
#define GMM_THRESHOD_SUMW 0.7    //如果取值太大了的话，则更多树的部分都被检测出来了
#define END_FRAME 200

bool pause=false;

Mat w[GMM_MAX_COMPONT];
Mat u[GMM_MAX_COMPONT];
Mat sigma[GMM_MAX_COMPONT];
Mat fit_num,gmask,foreground;
vector<Mat> output_m;
Mat output_img;

float temp_w,temp_sigma;
unsigned char temp_u;
int i=-1;


//For connected components:
int CVCONTOUR_APPROX_LEVEL = 2;   // Approx.threshold - the bigger it is, the simpler is the boundary
int CVCLOSE_ITR = 1;        

//Just some convienience macros
#define CV_CVX_WHITE    CV_RGB(0xff,0xff,0xff)
#define CV_CVX_BLACK    CV_RGB(0x00,0x00,0x00)

//gmm整体初始化函数声明
void gmm_init(Mat img);

//gmm第一帧初始化函数声明
void gmm_first_frame(Mat img);

//gmm训练过程函数声明
void gmm_train(Mat img);

//对输入图像每个像素gmm选择合适的个数函数声明
void gmm_fit_num(Mat img);

//gmm测试函数的实现
void gmm_test(Mat img);

//连通域去噪函数声明
void find_connected_components(Mat img);
//void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers);

int main(int argc, const char* argv[])
{
    Mat img,img_gray;
    char str_num[5];


//    char *str_num;//why does this definition not work?
    String str="WavingTrees/b00";//string,the 's' can be a captial or lower-caseletters

    /****read the first image,and reset the array w,u,sigma****/
    img=imread("WavingTrees/b00000.bmp");
    if(img.empty())                
        return -1;

    output_img=Mat::zeros(img.size(),img.type());
    cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image

    /****initialization the three parameters ****/
    gmm_init(img_gray);
    fit_num=Mat(img.size(),CV_8UC1,-1);//初始化为1
    gmask=Mat(img.size(),CV_8UC1,-1);
    foreground=img.clone();
    split(img,output_m);

    output_m[0]=Mat::zeros(img.size(),output_m[0].type());
    output_m[1]=Mat::zeros(img.size(),output_m[0].type());
    output_m[2]=Mat::zeros(img.size(),output_m[0].type());

    namedWindow("src",WINDOW_AUTOSIZE);
    namedWindow("gmask",WINDOW_AUTOSIZE);
    
    //在定义视频输出对象时，文件名一定后面要加后缀，比如这里的.avi,否则是输出不了视频的！并且这里只能是avi格式的，当参数为('P','I','M','1')时
    VideoWriter output_src("src.avi",CV_FOURCC('P','I','M','1'),20,Size(160,120),1);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
    //VideoWriter output_src("src.avi",CV_FOURCC('M','J','P','G'),5,Size(160,120),1);//c++版本的opencv用Size函数即可，c版本的用cvSize()函数
    VideoWriter output_dst("dst.avi",CV_FOURCC('P','I','M','1'),20,Size(160,120),1);//这样输出的是3个通道的数据
    while(1)

    {
        if(!pause)
        {
            /****read image from WavingTrees****/
            i++;
            _itoa_s(i,str_num,10);//the latest name is _itoa_s or _itoa,not the itoa,although iota can be used,deprecated
            if(i<10)
                str+="00";
            else if(i<100)
                str+="0";
            else if(i>285)//we used the first 285 frames to learn the gmm model
                i=-1;
            str+=str_num;
            str+=".bmp";

            img=imread(str);
            if(img.empty())
                break;
            str="WavingTrees/b00";//after read,str must be reseted ;

            cvtColor(img,img_gray,CV_BGR2GRAY);//covert the colorful image to the corresponding gray-level image

            /****when it is the first frame,set the default parameter****/
            if(1==i)
            {
                gmm_first_frame(img_gray);
            }

            //the train of gmm phase
            //if(1<i&&i<5&&i!=3)//由此可知当i大于等于3以后，就会一直出现错误，且错误在内部排序的部分
            if(1<i<END_FRAME)
            {
                gmm_train(img_gray);
            }//end the train phase
        
            cout<<i<<endl;
            /****chose the fitting number of component in gmm****/
            if(END_FRAME==i)
            {
                gmm_fit_num(img_gray);
        //        cout<<fit_num<<endl;//其输出值有4个高斯的，但也有0个高斯的，why？照理说不可能的啊！
            }

            /****start the test phase****/
            if(i>=END_FRAME)
            {
                 output_src<<img;
                 gmm_test(img_gray);
                 find_connected_components(img_gray);

                 output_m[0]=gmask.clone();
                 output_m[1]=gmask.clone();
                 output_m[2]=gmask.clone();

                 merge(output_m,output_img);
                 output_dst<<output_img;
            }
            if(285==i)
            {
                return 0;
            }
            imshow("src",img);
            imshow("gmask",gmask);
        }
        
        char c=(char)waitKey(1);
        if(c==27)//if press the ESC key,the exit the proggram
            break;
        if(c==' ')
        //    pause=~pause;//if use '~',then the pause key cannot work,why?
            pause=!pause;        
    }
    return 0;
}


//gmm初始化函数实现
void gmm_init(Mat img)
{
    /****initialization the three parameters ****/
    for(int j=0;j<GMM_MAX_COMPONT;j++)
    {
        w[j]=Mat(img.size(),CV_32FC1,0.0);//CV_32FC1本身体现了正负符号
        u[j]=Mat(img.size(),CV_8UC1,-1);//为什么这里赋值为0时，后面的就一直出错？暂时还不知道原因，先赋值-1，其实内部存储的也是0
        sigma[j]=Mat(img.size(),CV_32FC1,0.0);//float类型
    }

    //为什么一下语句不能放在这个函数里面呢
//    output_m[0]=Mat(img.size(),CV_8UC1,0);
//    output_m[1]=Mat(img.size(),CV_8UC1,0);
//    output_m[2]=Mat(img.size(),CV_8UC1,0);
}


//gmm第一帧初始化函数实现
void gmm_first_frame(Mat img)
{
    for(int m=0;m<img.rows;m++)
        for(int n=0;n<img.cols;n++)        
        {
            w[0].at<float>(m,n)=1.0;

            //if the pixvel is gray-clever,then we should use unsigned char,not the unsigned int
            u[0].at<unsigned char>(m,n)=img.at<unsigned char>(m,n);// 一定要注意其类型转换，否则会得不得预期的结果
            sigma[0].at<float>(m,n)=15.0;//opencv 自带的gmm代码中用的是15.0

            for(int k=1;k<GMM_MAX_COMPONT;k++)    
            {
                /****when assigment this,we must be very carefully****/
                w[k].at<float>(m,n)=0.0;
                u[k].at<unsigned char>(m,n)=-1;
                sigma[k].at<float>(m,n)=15.0;//防止后面排序时有分母为0的情况
            }
        }        
}


//gmm训练过程函数实现
void gmm_train(Mat img)
{
    for(int m=0;m<img.rows;m++)
        for(int n=0;n<img.cols;n++)
        {
            int k=0;
            int nfit=0;
            for(;k<GMM_MAX_COMPONT;k++)
            {
                //    if(w[k].at<float>(m,n)!=0)//只有在权值不为0的情况下才进行比较
                //    {
                int delam=abs(img.at<unsigned char>(m,n)-u[k].at<unsigned char>(m,n));//防止溢出
                long dis=delam*delam;
                if(dis<3.0*sigma[k].at<float>(m,n))//the present pixpel is fit the component
                {
                    /****update the weight****/
                    w[k].at<float>(m,n)=w[k].at<float>(m,n)+GMM_LEARN_ALPHA*(1-w[k].at<float>(m,n));

                    /****update the average****/
                    u[k].at<unsigned char>(m,n)=u[k].at<unsigned char>(m,n)+(GMM_LEARN_ALPHA/w[k].at<float>(m,n))*delam;

                    /****update the variance****/
                    sigma[k].at<float>(m,n)=sigma[k].at<float>(m,n)+(GMM_LEARN_ALPHA/w[k].at<float>(m,n))*(dis-sigma[k].at<float>(m,n));

    //                break;
                }
                else{
                    w[k].at<float>(m,n)=w[k].at<float>(m,n)+GMM_LEARN_ALPHA*(0-w[k].at<float>(m,n));
                    nfit++;
                }        
                //        }
            }

            ////训练过程加速算法
            //for(int bb=k+1;bb<GMM_MAX_COMPONT;bb++)
            //{
            //    w[bb].at<float>(m,n)=w[bb].at<float>(m,n)+GMM_LEARN_ALPHA*(0-w[bb].at<float>(m,n));
            //    nfit++;
            //}

            //对gmm各个高斯进行排序,从大到小排序,排序依据为w/sigma
            for(int kk=0;kk<GMM_MAX_COMPONT;kk++)
            {
                for(int rr=kk;rr<GMM_MAX_COMPONT;rr++)
                {
                    //怎样才能做到gmm结构体整体排序呢？
                    if(w[rr].at<float>(m,n)/sigma[rr].at<float>(m,n)>w[kk].at<float>(m,n)/sigma[kk].at<float>(m,n))
                    {
                        //权值交换
                        temp_w=w[rr].at<float>(m,n);
                        w[rr].at<float>(m,n)=w[kk].at<float>(m,n);
                        w[kk].at<float>(m,n)=temp_w;

                        //均值交换
                        temp_u=u[rr].at<unsigned char>(m,n);
                        u[rr].at<unsigned char>(m,n)=u[kk].at<unsigned char>(m,n);
                        u[kk].at<unsigned char>(m,n)=temp_u;

                        //方差交换
                        temp_sigma=sigma[rr].at<float>(m,n);
                        sigma[rr].at<float>(m,n)=sigma[kk].at<float>(m,n);
                        sigma[kk].at<float>(m,n)=temp_sigma;
                    }
                }
            }

            //****如果没有满足条件的高斯，则重新开始算一个高斯分布****/
            if(nfit==GMM_MAX_COMPONT&&0==w[GMM_MAX_COMPONT-1].at<float>(m,n))//if there is no exit component fit,then start a new componen
            {
                //不能写为for(int h=0;h<MAX_GMM_COMPONT&&((0==w[h].at<float>(m,n)));h++)，因为这样明显h不会每次都加1
                for(int h=0;h<GMM_MAX_COMPONT;h++)
                {
                    if((0==w[h].at<float>(m,n)))
                    {
                        w[h].at<float>(m,n)=GMM_LEARN_ALPHA;//按照论文的参数来的
                        u[h].at<unsigned char>(m,n)=(unsigned char)img.at<unsigned char>(m,n);
                        sigma[h].at<float>(m,n)=15.0;//the opencv library code is 15.0
                        for(int q=0;q<GMM_MAX_COMPONT&&q!=h;q++)
                        {
                            /****update the other unfit's weight,u and sigma remain unchanged****/
                            w[q].at<float>(m,n)*=1-GMM_LEARN_ALPHA;//normalization the weight,let they sum to 1
                        }
                        break;//找到第一个权值不为0的即可
                    }                            
                }
            }
            //如果GMM_MAX_COMPONT都曾经赋值过，则用新来的高斯代替权值最弱的高斯，权值不变，只更新均值和方差
            else if(nfit==GMM_MAX_COMPONT&&w[GMM_MAX_COMPONT-1].at<float>(m,n)!=0)
            {
                u[GMM_MAX_COMPONT-1].at<unsigned char>(m,n)=(unsigned char)img.at<unsigned char>(m,n);
                sigma[GMM_MAX_COMPONT-1].at<float>(m,n)=15.0;//the opencv library code is 15.0
            }

            
        }
}//end the train phase


//对输入图像每个像素gmm选择合适的个数
void gmm_fit_num(Mat img)
{
    //float sum_w=0.0;//重新赋值为0，给下一个像素做累积
    for(int m=0;m<img.rows;m++)
        for(int n=0;n<img.cols;n++)
        {
            float sum_w=0.0;//重新赋值为0，给下一个像素做累积
            //chose the fittest number fit_num
            for(unsigned char a=0;a<GMM_MAX_COMPONT;a++)
            {
                //cout<<w[a].at<float>(m,n)<<endl;
                sum_w+=w[a].at<float>(m,n);
                if(sum_w>=GMM_THRESHOD_SUMW)//如果这里THRESHOD_SUMW=0.6的话，那么得到的高斯数目都为1，因为每个像素都有一个权值接近1
                {
                    fit_num.at<unsigned char>(m,n)=a+1;
                    break;
                }
            }
        }
}


//gmm测试函数的实现
void gmm_test(Mat img)
{
    for(int m=0;m<img.rows;m++)
        for(int n=0;n<img.cols;n++)
        {
            unsigned char a=0;
            for(;a<fit_num.at<unsigned char>(m,n);a++)
            {
                //如果对sigma取根号的话，树枝当做前景的概率会更大，不过人被检测出来的效果也更好些；用2相乘，不用开根号效果还不错
        //        if(abs(img.at<unsigned char>(m,n)-u[a].at<unsigned char>(m,n))<(unsigned char)(2*(sigma[a].at<float>(m,n))))
                if(abs(img.at<unsigned char>(m,n)-u[a].at<unsigned char>(m,n))<(unsigned char)(2.5*(sigma[a].at<float>(m,n))))
                {
                    gmask.at<unsigned char>(m,n)=1;//背景
                    break;
                }
            }
            if(a==fit_num.at<unsigned char>(m,n))
                gmask.at<unsigned char>(m,n)=255;//前景
        }
}

//连通域去噪函数实现
void find_connected_components(Mat img)
{
    morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
//    morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
}

////连通域去噪函数实现
//void find_connected_components(Mat img)
//{
//    morphologyEx(gmask,gmask,MORPH_OPEN,Mat());
//    morphologyEx(gmask,gmask,MORPH_CLOSE,Mat());
////    erode(gmask,gmask,Mat());//只腐蚀是不行的，人来了也被腐蚀掉了
//
//    vector<vector<Point>> contours;//由点向量组成的向量，所以有2个层次结构
//    vector<Vec4i> hierarchy;//typedef Vec<int,4>Vec4i;即由4个整数组成的向量
//    
//    //找到gmask的轮廓，存储在contours中，其拓扑结构存储在hierarchy中，且仅仅找出最外面的轮廓，用压缩算法只存储水平，垂直，斜对角线的端点
//    //其中暗含了hierarchy[i][2]=hierarchy[3]=-1,即其父轮廓和嵌套轮廓不用考虑
//    findContours(gmask,contours,hierarchy,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
//    if(contours.size()==0)
//        return;
//
//    int idex=0;
//    for(idex=0;idex<contours.size();idex++)
//    {
//        const vector<Point>& c=contours[idex];
////        const vector<Point>& cnull::zeros();
//        double len=arcLength(c,false);//求出轮廓的周长，并不一定要求其是封闭的
//        double q=(img.rows+img.cols)/4;
//        if(q>=len)
//        {
//            const vector<Point> &cnew=contours[idex];
//    //        Mat mcnew=Mat(cnew);
//    //        Mat mcnew;
//    //        approxPolyDP(Mat(c),mcnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
//    //        approxPolyDP(Mat(c),Mat(cnew),CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
//            approxPolyDP(Mat(c),cnew,CVCONTOUR_APPROX_LEVEL,false);//多边形曲线拟合，并不一定要求其轮廓闭合
//    //        cnew=vector<Point>(mcnew);
//    //        contours[idex]=cnew;
//        }
////        else contours[idex]=vector<Point(0,0,0)>;
//    }    
//
//}

///////////////////////////////////////////////////////////////////////////////////////////
//void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
// This cleans up the forground segmentation mask derived from calls to cvbackgroundDiff
//
// mask            Is a grayscale (8 bit depth) "raw" mask image which will be cleaned up
//
// OPTIONAL PARAMETERS:
// poly1_hull0    If set, approximate connected component by (DEFAULT) polygon, or else convex hull (0)
// perimScale     Len = image (width+height)/perimScale.  If contour len < this, delete that contour (DEFAULT: 4)
// num            Maximum number of rectangles and/or centers to return, on return, will contain number filled (DEFAULT: NULL)
// bbs            Pointer to bounding box rectangle vector of length num.  (DEFAULT SETTING: NULL)
// centers        Pointer to contour centers vectore of length num (DEFULT: NULL)
//
//void cvconnectedComponents(IplImage *mask, int poly1_hull0, float perimScale, int *num, CvRect *bbs, CvPoint *centers)
//{
//    static CvMemStorage*    mem_storage    = NULL;
//    static CvSeq*            contours    = NULL;
////    static CvSeq**            firstContour;
//
//    //CLEAN UP RAW MASK
//    //开运算作用：平滑轮廓，去掉细节,断开缺口
//    cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_OPEN, CVCLOSE_ITR );//对输入mask进行开操作，CVCLOSE_ITR为开操作的次数，输出为mask图像
//    //闭运算作用：平滑轮廓，连接缺口
//    cvMorphologyEx( mask, mask, NULL, NULL, CV_MOP_CLOSE, CVCLOSE_ITR );//对输入mask进行闭操作，CVCLOSE_ITR为闭操作的次数，输出为mask图像
//
//    //FIND CONTOURS AROUND ONLY BIGGER REGIONS
//    if( mem_storage==NULL ) mem_storage = cvCreateMemStorage(0);
//    else cvClearMemStorage(mem_storage);
//
//    //CV_RETR_EXTERNAL=0是在types_c.h中定义的，CV_CHAIN_APPROX_SIMPLE=2也是在该文件中定义的
//    CvContourScanner scanner = cvStartFindContours(mask,mem_storage,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
////    CvContourScanner scanner = cvFindContours(mask,mem_storage,firstContour,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);
//    CvSeq* c;
//    int numCont = 0;
//    while( (c = cvFindNextContour( scanner )) != NULL )
//    {
//        double len = cvContourPerimeter( c );
//        double q = (mask->height + mask->width) /perimScale;   //calculate perimeter len threshold
//        if( len < q ) //Get rid of blob if it's perimeter is too small
//        {
//            cvSubstituteContour( scanner, NULL );
//        }
//        else //Smooth it's edges if it's large enough
//        {
//            CvSeq* c_new;
//            if(poly1_hull0) //Polygonal approximation of the segmentation
//                c_new = cvApproxPoly(c,sizeof(CvContour),mem_storage,CV_POLY_APPROX_DP, CVCONTOUR_APPROX_LEVEL,0);
//            else //Convex Hull of the segmentation
//                c_new = cvConvexHull2(c,mem_storage,CV_CLOCKWISE,1);
//            cvSubstituteContour( scanner, c_new );
//            numCont++;
//        }
//    }
//    contours = cvEndFindContours( &scanner );
//
//    // PAINT THE FOUND REGIONS BACK INTO THE IMAGE
//    cvZero( mask );
//    IplImage *maskTemp;
//    //CALC CENTER OF MASS AND OR BOUNDING RECTANGLES
//    if(num != NULL)
//    {
//        int N = *num, numFilled = 0, i=0;
//        CvMoments moments;
//        double M00, M01, M10;
//        maskTemp = cvCloneImage(mask);
//        for(i=0, c=contours; c != NULL; c = c->h_next,i++ )
//        {
//            if(i < N) //Only process up to *num of them
//            {
//                cvDrawContours(maskTemp,c,CV_CVX_WHITE, CV_CVX_WHITE,-1,CV_FILLED,8);
//                //Find the center of each contour
//                if(centers != NULL)
//                {
//                    cvMoments(maskTemp,&moments,1);
//                    M00 = cvGetSpatialMoment(&moments,0,0);
//                    M10 = cvGetSpatialMoment(&moments,1,0);
//                    M01 = cvGetSpatialMoment(&moments,0,1);
//                    centers[i].x = (int)(M10/M00);
//                    centers[i].y = (int)(M01/M00);
//                }
//                //Bounding rectangles around blobs
//                if(bbs != NULL)
//                {
//                    bbs[i] = cvBoundingRect(c);
//                }
//                cvZero(maskTemp);
//                numFilled++;
//            }
//            //Draw filled contours into mask
//            cvDrawContours(mask,c,CV_CVX_WHITE,CV_CVX_WHITE,-1,CV_FILLED,8); //draw to central mask
//        } //end looping over contours
//        *num = numFilled;
//        cvReleaseImage( &maskTemp);
//    }
//    //ELSE JUST DRAW PROCESSED CONTOURS INTO THE MASK
//    else
//    {
//        for( c=contours; c != NULL; c = c->h_next )
//        {
//            cvDrawContours(mask,c,CV_CVX_WHITE, CV_CVX_BLACK,-1,CV_FILLED,8);
//        }
//    }
//}