OpenCV 背景建模实战：三种方法实现运动目标检测

一、背景建模概述

在计算机视觉领域，背景建模是从视频序列中提取静态背景、分离动态前景的核心技术，广泛应用于运动检测、目标跟踪、行为分析等场景。

简单来说，背景就是视频中相对稳定的部分（如墙壁、地面），前景则是运动的目标（如行人、车辆）。背景建模的目标就是构建一个可靠的背景模型，将两者精准分离。

二、三种主流背景建模方法

1. 帧差法（Frame Difference）

原理：对连续两帧图像做差分运算，计算像素灰度差的绝对值，超过阈值则判定为运动目标。公式如下：

优缺点：

• 实现简单、计算速度快
• 易受光照变化影响，会产生噪声和空洞（如目标内部出现黑色区域）

2. K 近邻背景建模（KNN）

原理：为每个像素维护一个历史样本集，新像素值与样本集中的 K 个样本做距离比对，若多数样本相似则判定为背景，否则为前景。

优缺点：

• 对光照变化和动态背景（如树叶晃动）有一定鲁棒性
• 计算量较大，内存占用较高

3. 高斯混合模型（MOG2）

原理：用多个高斯分布来建模每个像素的颜色分布，通过在线 EM 算法更新模型参数，能自适应学习背景变化。

优缺点：

• 鲁棒性强，能处理复杂背景和光照渐变
• 初始建模需要一定时间，参数调优较复杂

三、代码实现：

import cv2
import numpy as np

# 测试视频路径
video_path = 'test.avi'

# 初始化三种背景建模器
fgbg_mog2 = cv2.createBackgroundSubtractorMOG2(history=500, detectShadows=True)
fgbg_knn = cv2.createBackgroundSubtractorKNN(history=500, detectShadows=True)

# 卷积核，用于形态学操作去噪
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, ksize=(3, 3))

cap = cv2.VideoCapture(video_path)
if not cap.isOpened():
    print("视频打开失败！")
    exit()

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # ---------------------- 1. 帧差法 ----------------------
    if 'prev_frame' not in locals():
        prev_frame = frame.copy()
        continue
    frame_diff = cv2.absdiff(frame, prev_frame)
    _, thresh_diff = cv2.threshold(frame_diff, 30, 255, cv2.THRESH_BINARY)
    thresh_diff = cv2.cvtColor(thresh_diff, cv2.COLOR_BGR2GRAY)
    thresh_diff = cv2.morphologyEx(thresh_diff, cv2.MORPH_OPEN, kernel)
    prev_frame = frame.copy()

    # ---------------------- 2. KNN 方法 ----------------------
    fgmask_knn = fgbg_knn.apply(frame)
    fgmask_knn = cv2.morphologyEx(fgmask_knn, cv2.MORPH_OPEN, kernel)

    # ---------------------- 3. MOG2 方法 ----------------------
    fgmask_mog2 = fgbg_mog2.apply(frame)
    fgmask_mog2 = cv2.morphologyEx(fgmask_mog2, cv2.MORPH_OPEN, kernel)

    # ---------------------- 轮廓检测与可视化 ----------------------
    def draw_contours(img, mask):
        _, contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        for c in contours:
            perimeter = cv2.arcLength(c, closed=True)
            if perimeter > 188:
                x, y, w, h = cv2.boundingRect(c)
                cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
        return img

    frame_diff_rect = draw_contours(frame.copy(), thresh_diff)
    frame_knn_rect = draw_contours(frame.copy(), fgmask_knn)
    frame_mog2_rect = draw_contours(frame.copy(), fgmask_mog2)

    # ---------------------- 显示结果 ----------------------
    cv2.imshow('Original Frame', frame)
    cv2.imshow('Frame Difference', frame_diff_rect)
    cv2.imshow('KNN Background Subtraction', frame_knn_rect)
    cv2.imshow('MOG2 Background Subtraction', frame_mog2_rect)

    k = cv2.waitKey(30) & 0xff
    if k == 27:  # ESC 退出
        break

cap.release()
cv2.destroyAllWindows()

四、代码讲解

fgbg_mog2 = cv2.createBackgroundSubtractorMOG2(history=500, detectShadows=True)
fgbg_knn = cv2.createBackgroundSubtractorKNN(history=500, detectShadows=True)

初始化两种高级背景建模器：

• MOG2：混合高斯模型，自适应背景、抗光照
• KNN ：K 近邻模型，对动态背景（树叶、水波）更鲁棒history=500 表示用 500 帧学习背景，detectShadows=True 开启阴影检测。

kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, ksize=(3, 3))

创建 3×3 十字形结构核，用于后续开运算去噪 ，消除小噪点让前景更干净。

cap = cv2.VideoCapture(video_path)
if not cap.isOpened():
    print("视频打开失败！")
    exit()

打开视频文件，并判断是否成功打开；失败则提示并退出，避免程序崩溃。

while True:
    ret, frame = cap.read()
    if not ret:
        break

循环读取视频每一帧。

• ret：是否成功读到帧
• frame：当前帧图像读到视频末尾自动退出循环。

    # 帧差法
    if 'prev_frame' not in locals():
        prev_frame = frame.copy()
        continue
    frame_diff = cv2.absdiff(frame, prev_frame)
    _, thresh_diff = cv2.threshold(frame_diff, 30, 255, cv2.THRESH_BINARY)
    thresh_diff = cv2.cvtColor(thresh_diff, cv2.COLOR_BGR2GRAY)
    thresh_diff = cv2.morphologyEx(thresh_diff, cv2.MORPH_OPEN, kernel)
    prev_frame = frame.copy()

实现帧差法（最简单的运动检测）：

1. 保存上一帧
2. 计算当前帧与上一帧差值
3. 二值化分离前景背景
4. 转灰度图 + 开运算去噪
5. 更新上一帧

    # KNN
    fgmask_knn = fgbg_knn.apply(frame)
    fgmask_knn = cv2.morphologyEx(fgmask_knn, cv2.MORPH_OPEN, kernel)

使用 KNN 背景建模得到前景掩码，再通过形态学开运算去除小白点噪点。

    # MOG2
    fgmask_mog2 = fgbg_mog2.apply(frame)
    fgmask_mog2 = cv2.morphologyEx(fgmask_mog2, cv2.MORPH_OPEN, kernel)

使用 MOG2 混合高斯模型得到前景掩码，同样做去噪处理。

    def draw_contours(img, mask):
        _, contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        for c in contours:
            perimeter = cv2.arcLength(c, closed=True)
            if perimeter > 188:
                x, y, w, h = cv2.boundingRect(c)
                cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
        return img

定义轮廓绘制函数：

• 寻找前景轮廓
• 根据轮廓周长过滤小噪声（只保留大于 188 的目标）
• 绘制绿色外接矩形，标记运动目标

    frame_diff_rect = draw_contours(frame.copy(), thresh_diff)
    frame_knn_rect = draw_contours(frame.copy(), fgmask_knn)
    frame_mog2_rect = draw_contours(frame.copy(), fgmask_mog2)

分别对帧差法、KNN、MOG2三种结果绘制目标框。

五、结果展示：