背景建模

背景建模

帧差法

视频中存在运动物体时，相邻帧中的物体位置不同。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。静止的物体在差值图像上表现出来全是0。

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。

帧差法非常简单，但是会引入噪音和空洞问题(灰度值相同做差使得内部缺失)。

 

 

---

 

 

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它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.如果下一次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倍的方差之间的话，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。

步骤

- 1.首先读入视频

- 2.构造一个特定大小和形状的结构元素，用于图像形态学处理

- 3.创建混合高斯模型用于背景建模

- 4.将读入的每一帧应用于混合高斯模型

- 5.利用形态学开运算去噪点

- 6.寻找视频中的轮廓

- 7.对于每一个轮廓，计算其周长，并找到其的一个直矩形并绘出

import cv2

cap = cv2.VideoCapture('test.avi')
#构造一个特定大小和形状的结构元素，用于图像形态学处理
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()
    fgmask = fgbg.apply(frame)
    #形态学开运算去噪点
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
    #寻找视频中的轮廓
    im, contours, heirarchy = 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)
        if perimeter > 188:
            #找到一个直矩形(不会旋转)
            x, y, w, h = cv2.boundingRect(c)
            #画出这个矩形
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0,255,2), 2)

    cv2.imshow('frame', frame)
    cv2.imshow('fgmask', fgmask)
    k = cv2.waitKey(100) & 0xff
    if k == 27:#退出键
        break

cap.release()
cv2.destroyAllWindows()