背景減法利用圖像序列中的當(dāng)前幀和事先確定的背景參考模型間的差異比較，來確定運(yùn)動物體位置，是一種基于統(tǒng)計(jì)學(xué)原理的運(yùn)動目標(biāo)檢測的方法。這種方法的性能取決于背景建模技術(shù)，Gloyer等人使用單高斯模型的思路，但常常不能準(zhǔn)確地描述背景模型。

1999年Stauffer等人提出了經(jīng)典的混合高斯背景建模法，這種方法不僅對復(fù)雜場景的適應(yīng)強(qiáng)，而且能通過自動計(jì)算的模型參數(shù)來對背景模型調(diào)整，雖然增加了高斯分布的個數(shù)，造成計(jì)算量增大，但檢測速度很快，且檢測準(zhǔn)確，容易實(shí)現(xiàn)。基于混合高斯模型建模的背景減法已是運(yùn)動檢測的主流方法。OpenCv中有三種三種比較容易使用的方法。

1. BackgroundSubtractorMOG

這是一個以混合高斯模型為基礎(chǔ)的前景/背景分割算法。它是 P.KadewTraKuPong和 R.Bowden 在 2001 年提出的。它使用 K(K=3 或 5)個高斯分布混合對背景像素進(jìn)行建模。使用這些顏色(在整個視頻中)存在時間的長短作為混合的權(quán)重。背景的顏色一般持續(xù)的時間最長，而且更加靜止。一個像素怎么會有分布呢？在 x，y 平面上一個像素就是一個像素沒有分布，但是我們現(xiàn)在講的背景建模是基于時間序列的，因此每一個像素點(diǎn)所在的位置在整個時間序列中就會有很多值，從而構(gòu)成一個分布。

在編寫代碼時，我們需要使用函數(shù)cv2.createBackgroundSubtractorMOG()創(chuàng)建一個背景對象。這個函數(shù)有些可選參數(shù)，比如要進(jìn)行建模場景的時間長度，高斯混合成分的數(shù)量，閾值等。將他們?nèi)吭O(shè)置為默認(rèn)值。然后在整個視頻中 我們是需要使用 backgroundsubtractor.apply() 就可以得到前景的掩模了。

2. BackgroundSubtractorMOG2

這個也是以高斯混合模型為基礎(chǔ)的背景/前景分割算法。它是以 2004 年和 2006 年 Z.Zivkovic 的兩篇文章為基礎(chǔ)的。這個算法的一個特點(diǎn)是它為每一個像素選擇一個合適數(shù)目的高斯分布。(上一個方法中我們使用是 K 高斯分布)。這樣就會對由于亮度等發(fā)生變化引起的場景變化產(chǎn)生更好的適應(yīng)。

和前面一樣我們需要創(chuàng)建一個背景對象。但在這里我們我們可以選擇是否檢測陰影。如果 detectShadows = True(默認(rèn)值)，它就會檢測并將影子標(biāo)記出來，但是這樣做會降低處理速度。影子會被標(biāo)記為灰色。

3. BackgroundSubtractorGMG

此算法結(jié)合了靜態(tài)背景圖像估計(jì)和每個像素的貝葉斯分割。這是 2012 年Andrew_B.Godbehere，Akihiro_Matsukawa 和 Ken_Goldberg 在文章中提出的。

它使用前面很少的圖像(默認(rèn)為前 120 幀)進(jìn)行背景建模。使用了概率前景估計(jì)算法(使用貝葉斯估計(jì)鑒定前景)。這是一種自適應(yīng)的估計(jì)，新觀察到的對象比舊的對象具有更高的權(quán)重，從而對光照變化產(chǎn)生適應(yīng)。一些形態(tài)學(xué)操作如開運(yùn)算閉運(yùn)算等被用來除去不需要的噪音。在前幾幀圖像中你會得到一個黑色窗口。

對結(jié)果進(jìn)行形態(tài)學(xué)開運(yùn)算對與去除噪聲很有幫助。

4. 三種方法的效果

代碼實(shí)現(xiàn)如下：

import numpy as np

import cv2

import imageio

cap = cv2.VideoCapture("E:/opencv_vs/opencv/sources/samples/data/vtest.avi")

fgbg1 = cv2.bgsegm.createBackgroundSubtractorMOG()

fgbg2 = cv2.createBackgroundSubtractorMOG2()

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))

fgbg3 = cv2.bgsegm.createBackgroundSubtractorGMG(60) # initializationFrames=120

# 保存gif參數(shù)設(shè)置

gif1 = 'E:/video/v1.gif'

gif2 = 'E:/video/v2.gif'

gif3 = 'E:/video/v3.gif'

frames1 = []

frames2 = []

frames3 = []

while True:

ret, frame = cap.read()

if not ret:

print('not found')

break

frame = cv2.resize(frame, (400, 400), interpolation=cv2.INTER_CUBIC)

# 前景掩碼

fgmask1 = fgbg1.apply(frame)

fgmask2 = fgbg2.apply(frame)

fgmask3 = fgbg3.apply(frame)

fgmask4 = cv2.morphologyEx(fgmask3, cv2.MORPH_OPEN, kernel, iterations=1) # 形態(tài)學(xué)開運(yùn)算

cv2.imshow('frame1', fgmask1)

cv2.imshow('frame2', fgmask2)

cv2.imshow('frame3', fgmask3)

cv2.imshow('frame4', fgmask4)

# 加入幀

frames1.append(fgmask1)

frames2.append(fgmask2)

frames3.append(fgmask4)

# 保存gif

imageio.mimsave(gif1, frames1, 'GIF', duration=0.1)

imageio.mimsave(gif2, frames2, 'GIF', duration=0.1)

imageio.mimsave(gif3, frames3, 'GIF', duration=0.1)

k = cv2.waitKey(100) & 0xff

if k == 27 or k == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

BackgroundSubtractorMOGBackgroundSubtractorMOG2BackgroundSubtractorGMG(噪聲未保存到)BackgroundSubtractorGMG(經(jīng)形態(tài)學(xué)運(yùn)算)

下面是采用BackgroundSubtractorGMG方法處理選取的兩組圖片BackgroundSubtractorGMG原圖1BackgroundSubtractorGMG修圖1BackgroundSubtractorGMG原圖2BackgroundSubtractorGMG修圖2

5. 檢測運(yùn)動目標(biāo)

運(yùn)動目標(biāo)檢測流程圖

代碼實(shí)現(xiàn)如下：

#使用BackgroundSubtractorMOG

import cv2 as cv

import numpy as np

# 設(shè)置文件

file_test = "E:/opencv_vs/opencv/sources/samples/data/vtest.avi"

cap = cv.VideoCapture(file_test)

# 設(shè)置變量

kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (2, 2)) # 定義結(jié)構(gòu)元素

color_m = (255, 0, 0)

# 背景差法

fgbg = cv.bgsegm.createBackgroundSubtractorMOG()

# 視頻文件輸出參數(shù)設(shè)置

out_fps = 12.0 # 輸出文件的幀率

fourcc = cv.VideoWriter_fourcc('M', 'P', '4', '2')

out = cv.VideoWriter('E:/video/v9.avi', fourcc, out_fps, (500, 500))

while True:

# 讀取一幀

ret, frame = cap.read()

# 如果視頻結(jié)束，跳出循環(huán)

if not ret:

break

frame = cv.resize(frame, (500, 500), interpolation=cv.INTER_CUBIC)

frame_motion = frame.copy()

# 計(jì)算前景掩碼

fgmask = fgbg.apply(frame_motion)

draw1 = cv.threshold(fgmask, 25, 255, cv.THRESH_BINARY)[1] # 二值化

draw1 = cv.dilate(draw1, kernel, iterations=1)

# 查找檢測物體的輪廓,只檢測外輪廓,只需4個點(diǎn)來保存輪廓信息

image_m, contours_m, hierarchy_m = cv.findContours(draw1.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

for c in contours_m:

if cv.contourArea(c) < 300:

continue

(x, y, w, h) = cv.boundingRect(c)

cv.rectangle(frame_motion, (x, y), (x + w, y + h), color_m, 2)

cv.imshow("source", frame_motion)

cv.imshow("apply", fgmask)

cv.imshow("draw", draw1)

k = cv.waitKey(200)

if k == ord('q'):

break

out.write(frame_motion) # 保存

out.release()

cap.release()

cv.destroyAllWindows()

運(yùn)動目標(biāo)檢測https://www.zhihu.com/video/1016748414142455808

6. 參考資料

[1]opencv官網(wǎng)教程

總結(jié)

以上是生活随笔為你收集整理的背景差法目标识别python_运动目标检测(4)—背景差分法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。