23-背景建模

帧差法

由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。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，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。
帧差法很简单，但会引入噪音和空洞问题
在这里插入图片描述

混合高斯模型

在进行前景检测前，先对背景进行训练，对图像中每一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模型在不断的更新学习中，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
在这里插入图片描述
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作第一个高斯分布
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，对新来的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。

import numpy as np
import cv2#E:\Jupyter_workspace\study\data/a.mp4视频最好为摄像头捕获得录像，这样得话，相对大的背景不会变化，变化的无非是行人和车辆，较为容易判别处理
cap = cv2.VideoCapture('E:\Jupyter_workspace\study\data/a.mp4')#经典的测试视频
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))#形态学操作需要使用
fgbg = cv2.createBackgroundSubtractorMOG2()#创建混合高斯模型用于背景建模while(True):ret, frame = cap.read()#一帧一帧读取视频fgmask = fgbg.apply(frame)#将获取到的每一帧图像都应用到当前的背景提取当中，前景255，背景0fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)#形态学中开运算去掉噪音点im, contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)#寻找视频中的轮廓for c in contours:perimeter = cv2.arcLength(c,True)#计算各轮廓的周长if perimeter >188:x,y,w,h = cv2.boundingRect(c)#找到一个直矩阵(不会旋转)cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)#画出这个矩阵cv2.imshow('frame',frame)cv2.imshow('fgmask',fgmask)k = cv2.waitKey(100) & 0xffif k ==27:#Esc退出breakcap.release()
cv2.destroyAllWindows()