前景提取和目标检测
当观察场景的是一个固定的相机,背景几乎保持不变。在这种情况下,感兴趣的元素是在场景中运动的物体。为了提取出这些前景物体,我们需要对背景建模,然后将当前帧的模型与背景模型进行比较,以检测前景物体。前景提取是智能监控应用的基础步骤。
OpenCV的video module中包含了几种较为常用的背景减除方法,其中混合高斯模型(Gaussian of Mixture Models, GMM)方法效果较好。
常用的目标检测方法为帧间差分和背景减除。
其中背景减除方法的关键在于建立一个鲁棒的背景模型(背景图像),常用的建立背景模型方法有:均值法;中值法;滑动平均滤波法;单高斯;混合高斯模型;codebook等。
背景减去法
背景减去法的含义是构建一个参考图片(纯背景),将每个新的视频帧同参考图片相减,并进行二值化,从而得到运动前景的方法。这也就意味着,背景减去法的结果是一个对非静态区域的一个高亮表示。构建参考图片最简单的方法就是将时间上连续的一系列背景图片进行平均。这种方法有很多问题,同时,它还需要一个没有前景出现,仅仅有纯背景的一段图片序列来作为训练样本。训练之后,背景的运动以及训练阶段前景的静止不运动,都被当做运动目标。另外,该方法无法应对场景中光线的逐渐变化。
混合高斯模型的原理
首先,混合高斯算法对每个像素维护多个模型(即多个滑动平均值)。因此,如果背景像素在两个值之间来回变化,那么将存储两个滑动平均值。如果新的像素值不属于其中之