【opencv】教程代码 —video(3) 视频背景剔除

bg_sub.cpp

这段代码的功能是把视频中的背景和前景分离,提取出前景的运动物体 。根据用户选择的不同的模式,可以选择基于MOG2或者基于KNN的方法 来进行背景减除。在处理每一帧图像的过程中,首先使用背景减除模型对图像帧进行处理,得到一个前景掩码,该掩码中包含了所有被认为是前景的像素。然后将处理后的掩码图像和原始帧同时显示出来 。通过这种方式,用户能够清楚看到前景移动物体被成功地从背景中分离出来,这个过程是实时的。

cpp 复制代码
/**
 * @file bg_sub.cpp
 * @brief 背景减除教程样例代码
 * @author Domenico D. Bloisi
 */


#include <iostream>  // 引入 C++ 的输入输出流库
#include <sstream>  // 引入字符串流,它是 iostream 的一部分,提供了方便的字符串输入和输出功能
#include <opencv2/imgcodecs.hpp>  // 引入 OpenCV 的图像编解码模块,用于图像的读取和保存
#include <opencv2/imgproc.hpp>  // 引入 OpenCV 的图像处理模块,包含很多图像处理的功能
#include <opencv2/videoio.hpp>  // 引入 OpenCV 的视频 IO 模块,用于视频保存和读取、以及本机摄像头的访问
#include <opencv2/highgui.hpp>  // 引入 OpenCV 的高级 GUI 模块,用于创建界面显示图像
#include <opencv2/video.hpp>  // 引入 OpenCV 的视频分析模块,包含了许多常见的视频分析算法,比如对象跟踪、运动估计等


using namespace cv;  // 使用 OpenCV 命名空间
using namespace std;


const char* params
    = "{ help h         |           | Print usage }"
      "{ input          | vtest.avi | Path to a video or a sequence of image }"
      "{ algo           | MOG2      | Background subtraction method (KNN, MOG2) }";


int main(int argc, char* argv[])  
{
    // 命令行参数解析
    CommandLineParser parser(argc, argv, params);
    string about_message = "This program shows how to use background subtraction methods provided by "
                  " OpenCV. You can process both videos and images.\n";
    parser.about(about_message);


    if (parser.has("help"))   // 如果有帮助信息
    {
        parser.printMessage();  // 打印使用帮助信息
    }


    // 创建背景减除对象
    Ptr<BackgroundSubtractor> pBackSub;
     //根据输入确定使用 KNN 还是 MOG2 
    if (parser.get<String>("algo") == "MOG2")
        pBackSub = createBackgroundSubtractorMOG2();
    else
        pBackSub = createBackgroundSubtractorKNN();


    // 输入视频
    VideoCapture capture( samples::findFile(parser.get<String>("input")) );
    if (!capture.isOpened()){  
        cerr << "Unable to open: " << parser.get<String>("input") << endl;
        return 0;
    }
    Mat frame, fgMask;  // 定义图像矩阵,用于读取视频帧以及存储背景减除图像
    while (true) {
        capture >> frame;  // 读取一帧
        if (frame.empty())
            break;


        // 更新背景模型
        pBackSub->apply(frame, fgMask);
        
        // 在当前帧上显示帧编号
        rectangle(frame, cv::Point(10, 2), cv::Point(100,20), cv::Scalar(255,255,255), -1);
        // 在 frame 上画一个白色矩形,左上角坐标为(10, 2),右下角坐标为(100, 20),颜色为白色(即 (255,255,255))。
        
        stringstream ss;
        ss << capture.get(CAP_PROP_POS_FRAMES);
        // 用 stringstream 将视频的当前帧数转换为字符串。
        
        string frameNumberString = ss.str();
        // 将帧数从 stringstream 转换为 string。
        
        putText(frame, frameNumberString.c_str(), cv::Point(15, 15), FONT_HERSHEY_SIMPLEX, 0.5 , cv::Scalar(0,0,0));
        // 在 frame 上的(15, 15)位置用黑色字体输出当前的帧数。
        // 显示当前帧和背景掩码
        imshow("Frame", frame);
        imshow("FG Mask", fgMask);
       
        int keyboard = waitKey(30);  // 获取键盘输入
        if (keyboard == 'q' || keyboard == 27)
            break;
    }
    return 0;
}
相关推荐
静静AI学堂27 分钟前
Yolo11改策略:卷积改进|SAC,提升模型对小目标和遮挡目标的检测性能|即插即用
人工智能·深度学习·目标跟踪
martian6651 小时前
【人工智能离散数学基础】——深入详解数理逻辑:理解基础逻辑概念,支持推理和决策系统
人工智能·数理逻辑·推理·决策系统
Schwertlilien1 小时前
图像处理-Ch7-图像金字塔和其他变换
图像处理·人工智能
凡人的AI工具箱1 小时前
每天40分玩转Django:Django类视图
数据库·人工智能·后端·python·django·sqlite
千天夜1 小时前
深度学习中的残差网络、加权残差连接(WRC)与跨阶段部分连接(CSP)详解
网络·人工智能·深度学习·神经网络·yolo·机器学习
一勺汤1 小时前
YOLOv8模型改进 第二十五讲 添加基于卷积调制(Convolution based Attention) 替换自注意力机制
深度学习·yolo·计算机视觉·模块·yolov8·yolov8改进·魔改
凡人的AI工具箱1 小时前
每天40分玩转Django:实操图片分享社区
数据库·人工智能·后端·python·django
小军军军军军军1 小时前
MLU运行Stable Diffusion WebUI Forge【flux】
人工智能·python·语言模型·stable diffusion
诚威_lol_中大努力中2 小时前
关于VQ-GAN利用滑动窗口生成 高清图像
人工智能·神经网络·生成对抗网络
中关村科金2 小时前
中关村科金智能客服机器人如何解决客户个性化需求与标准化服务之间的矛盾?
人工智能·机器人·在线客服·智能客服机器人·中关村科金