目录
一、背景建模是什么？
- 指在计算机视觉中，从视频序列中提取出静态背景的一种技术。
- 在视频中，背景通常被定义为相对稳定的部分，例如墙壁、地面或天空等。
- 背景建模的目标是将动态的前景对象与静态的背景进行分离，以便进一步分析和处理。
二、背景建模的目的
- 运动检测：识别并提取视频中的运动对象。
- 场景理解：帮助计算机理解视频中的不同场景和物体。
- 事件检测：监测特定事件或行为，如入侵检测、交通监控等。
三、背景建模的方法及原理
- 帧差法 ：
- 将当前帧与上一帧进行逐像素比较。
- 计算每个像素的差值，并将差值大于设定阈值的像素标记为前景。
- 生成二值图像，白色区域表示检测到的运动对象，黑色区域表示背景。
- 基于K近邻的背景/前景分割算法 ：
- 每个像素维护一个K个历史颜色值的队列。
- 对于当前帧中每个像素，将其与历史颜色值进行比较，计算相似度。
- 如果当前像素与大多数历史颜色值相似，则认为该像素属于背景；否则，标记为前景。
- 采用自适应的阈值来判断像素是否为前景。
- 基于高斯混合的背景/前景分割算法：
- 每个像素用多个高斯分布进行建模，形成高斯混合模型。
- 对于每个像素，根据当前输入值与模型中每个高斯分布的相似度进行匹配。
- 若当前值与某个高斯分布相似，则更新该分布的均值和方差；否则，引入新的高斯分布。
- 通过设定阈值确定哪些像素被视为前景。
四、代码实现
1.创建卷积核
python
import cv2
# 经典的测试视频
cap = cv2.VideoCapture('test.avi')
# getstructuringElement(shape,ksize,anchor=None)得到一个卷积核。主要用于后续的腐蚀、膨胀、开、闭等运算。
# 参数:shape:设定卷积核的形状,可选如下三个参数:
# 1、MORPH_RECT(矩形卷积核)
# 2、MORPH_CROSS(十字形卷积核)
# 3、MORPH ELLIPSE(椭圆形卷积核)
# ksize:设定要获取的卷积核的大小
# anchor:表示描点的位置:一般c=1,表不描点位于中心
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))2.创建混合高斯模型
python
# 创建混合高斯模型,用于背景建模
fgbg = cv2.createBackgroundSubtractorMOG2()3.处理图像
- 遍历视频的每一帧，
- 将每一帧进行背景建模处理
- 将背景建模之后的图像进行形态学处理，这里进行开运算去除噪点
python
while True:
ret, frame = cap.read() # ret:True表示正常读取到图像,frame:从视频中获取当前一帧图片
cv2.imshow('frame', frame)
fgmask = fgbg.apply(frame) # 视频处理
cv2.imshow('fgmask', fgmask)
fgmask_new = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel) # 开运算去噪点,先腐蚀后膨胀。
cv2.imshow('fgmask_new', fgmask_new)4.绘制人形轮廓
- 将上述得到的图像进行查找轮廓
- 计算各轮廓的周长，判断属于人的轮廓
- 将其在图像上绘制出来
- 然后显示出来
- 最终得到每一帧的在动的人的轮廓，实现了人形检测
python
# 寻找视频中的轮廓
_, contours, h = cv2.findContours(fgmask_new, 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 > 115: # 判断是否为行走的人
# 找到一个直矩形(不会旋转)
x, y, w, h = cv2.boundingRect(c)
# 画出这个矩形
fgmask_new_rect = cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.imshow('fgmask_new_rect', fgmask_new_rect)5.条件退出
- 每一帧图像显示60毫秒，
- 如果键盘按下esc键则退出循环
python
k = cv2.waitKey(60)
if k == 27: # esc 的ascii码值
break输出：
