1.概念介绍

视频背景扣除原理：视频是一组连续的帧（一幅幅图组成），帧与帧之间关系密切(GOP/group of picture)，在GOP中，背景几乎是不变的，变的永远是前景。

背景分离（BS）是一种通过使用静态相机来生成前景掩码（即包含属于场景中的移动对象像素的二进制图像）的常用技术
顾名思义，BS计算前景掩码，在当前帧与背景模型之间执行减法运算，其中包含场景的静态部分，或者更一般而言，考虑到所观察场景的特征，可以将其视为背景的所有内容。

在这里插入图片描述

2. 函数介绍

MOG算法

cv2.createBackgroundSubtractorMOG(history, nmixtures, backgroundRatio, noiseSigma)
history：用于训练背景的帧数，默认为200帧
nmixtures：高斯范围值，默认为5；5*5的卷积核
backgroindRatio：背景比率，默认0.7
noiseSigma：默认0，自动降噪

代码示例：

import cv2
import numpy as np# 读取视频帧
cap = cv2.VideoCapture('./video/vtest.avi')
mog = cv2.bgsegm.createBackgroundSubtractorMOG()while True:ret, frame = cap.read()if ret == False:exit(1)fgmask = mog.apply(frame)cv2.imshow('text', fgmask)k = cv2.waitKey(10) & 0xffif k == ord('q'):breakcap.release()
cv2.destroyAllWindows()

在这里插入图片描述

MOG2算法

MOG2增加的是对阴影的识别，但是会产生更多的噪点。

cv2.createBackgroundSubtractorMOG2()
参数同MOG一样
detectShadows：是否检测阴影，默认为True

import cv2
import numpy as np# 读取视频帧
cap = cv2.VideoCapture('./video/vtest.avi')
# mog = cv2.bgsegm.createBackgroundSubtractorMOG()
mog = cv2.createBackgroundSubtractorMOG2()while True:ret, frame = cap.read()if ret == False:exit(1)fgmask = mog.apply(frame)#cv2.imshow('MOG', fgmask)cv2.imshow('MOG2', fgmask)k = cv2.waitKey(10) & 0xffif k == ord('q'):breakcap.release()
cv2.destroyAllWindows()

在这里插入图片描述

GMG算法

GMG算法的抗噪性更强，但是该算法有缓存初始帧，即缓存的帧数不显示。

算法：cv2.bgsegm.createBackgroundSubtractorGMG(initializationFrames=120)
initializationFrames：默认帧数为120，需要吃掉120帧，对之后的帧进行优化。

import cv2
import numpy as np# 读取视频帧
cap = cv2.VideoCapture('./video/vtest.avi')
# mog = cv2.bgsegm.createBackgroundSubtractorMOG()
# mog = cv2.createBackgroundSubtractorMOG2()
gmg = cv2.bgsegm.createBackgroundSubtractorGMG()while True:ret, frame = cap.read()if ret == False:exit(1)fgmask = gmg.apply(frame)#cv2.imshow('MOG', fgmask)cv2.imshow('MOG2', fgmask)k = cv2.waitKey(10) & 0xffif k == ord('q'):breakcap.release()
cv2.destroyAllWindows()