opencv3展示实例
需要使用摄像头
#include"opencv2/opencv.hpp"
#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include"opencv2/imgproc/imgproc.hpp"
#include"opencv2/video/background_segm.hpp"
#include<iostream>
using namespace cv;
using namespace std;
int main()
{
VideoCapture capture(0);
Ptr<BackgroundSubtractorMOG2> bg_model = createBackgroundSubtractorMOG2();
Mat image, fgimage, fgmask;
while (1)
{
capture >> image; //get new frame from camera
if (!image.data)
{
cerr << "picture error!";
return -1;
}
if (fgimage.empty())
fgimage.create(image.size(), image.type());
bg_model->apply(image, fgmask, -1);
fgimage = Scalar::all(0);
image.copyTo(fgimage, fgmask);
Mat bgimage;
bg_model->getBackgroundImage(bgimage);
imshow("image", image);
imshow("fgimage", fgimage);
imshow("fgmask", fgmask);
if (!bgimage.empty())
imshow("bgimage", bgimage);
waitKey(30);
}
return 0;
}
具体的算法实现函数在
opencv\sources\modules\video\src\bgfg_gaussmix2.cpp
可以对照算法原理查看
以下算法原理参考混合高斯模型算法原理
个人认为这篇文章将的比较通俗易懂,公式也比较简洁,比较适合入门理解。
文中介绍的是基础部分的内容,通常现在使用的GMM都带有一些后续改进,比如阴影检测等。
算法原理
单高斯背景模型
将图像中每一个像素点的颜色值看成一个随机过程,并假设其出现概率服从高斯分布。对每一个像素位置建立一个高斯模型,模型中保存其均值的方差。比如对于一个像素点 ( x , y ) (x,y) (x,y) ,可设其均值: μ ( x , y ) \mu(x,y) μ(x,y) ,方差: σ 2 ( x , y ) \sigma^2(x,y) σ2(x,y),标准差 σ ( x , y ) \sigma(x,y) σ(x,y)。
同时由于视频序列的输入,模型参数会不断更新,对应不同时刻参数有不同的值,可将模型参数表示为三个变量 ( x , y , t ) (x,y,t) (x,y,t)的函数。均值: μ ( x , y , t ) \mu(x,y,t) μ(x,y,t) ,方差: σ 2 ( x , y , t ) \sigma^2(x,y,t) σ2(x,y,t),标准差: σ ( x , y , t ) \sigma(x,y,t) σ(x,y,t)。
单高斯模型运动检测的基本过程:
1、 模型初始化
{ μ ( x , y , 0 ) = I ( x , y , 0 ) σ 2 ( x , y , 0 ) = s t d _ i n i t 2 σ ( x , y , 0 ) = s t d _ i n i t \begin{cases}\mu(x,y,0)=I(x,y,0)\\\sigma^2(x,y,0)=std\_init^2\\\sigma(x,y,0)=std\_init\end{cases} ⎩⎪⎨⎪⎧μ(x,y,0)=I(x,y,0)σ2(x,y,0)=std_init2σ(x,y,0)=std_init
其中 I ( x , y , 0 ) I(x,y,0) I(x,