背景建模与前景检测（一）——混合高斯GMM

        混合高斯模型GMM

       混合高斯模型GMM我总结的有两种实现方法，一种是直接使用OPENCV中的MOG函数实现前景检测；另外一种是自己根据GMM的原理编写程序。两种方法对比，方法一比方法二简单，速度快。但是方法二后期可改动的空间大，可以结合其他算法。以下贴出两种方法的实现代码，我是在opencv2.4.10+vs2010中实验通过的。

方法一：

[cpp]  view plain   copy

1. //  基于混合高斯模型的运动目标检测  
2. //  Author： www.icvpr.com   
3. //  Blog： http://blog.csdn.net/icvpr    
4.   
5. #include <iostream>  
6. #include <string>  
7.   
8. #include <opencv2/opencv.hpp>  
9.   
10.   
11. int main(int argc, char** argv)  
12. {  
13.     std::string videoFile = "../test.avi";  
14.   
15.     cv::VideoCapture capture;  
16.     capture.open(videoFile);  
17.   
18.     if (!capture.isOpened())  
19.     {  
20.         std::cout<<"read video failure"<<std::endl;  
21.         return -1;  
22.     }  
23.   
24.   
25.     cv::BackgroundSubtractorMOG2 mog;  
26.   
27.     cv::Mat foreground;  
28.     cv::Mat background;  
29.   
30.     cv::Mat frame;  
31.     long frameNo = 0;  
32.     while (capture.read(frame))  
33.     {  
34.         ++frameNo;  
35.   
36.         std::cout<<frameNo<<std::endl;  
37.   
38.         // 运动前景检测，并更新背景  
39.         mog(frame, foreground, 0.001);         
40.           
41.         // 腐蚀  
42.         cv::erode(foreground, foreground, cv::Mat());  
43.           
44.         // 膨胀  
45.         cv::dilate(foreground, foreground, cv::Mat());  
46.   
47.         mog.getBackgroundImage(background);   // 返回当前背景图像  
48.   
49.         cv::imshow("video", foreground);  
50.         cv::imshow("background", background);  
51.   
52.   
53.         if (cv::waitKey(25) > 0)  
54.         {  
55.             break;  
56.         }  
57.     }  
58.       
59.   
60.   
61.     return 0;  
62. }  

实验结果：

当前帧图像

当前背景图像

前景图像

经过腐蚀和膨胀处理后的前景图像

（白色为运动目标区域；灰色为阴影区域；黑色为背景）

< 转载请注明：http://blog.csdn.net/icvpr>

方法二：

 

MOG_BGS.h

[cpp]  view plain   copy

1. #pragma once  
2. #include <iostream>  
3. #include "opencv2/opencv.hpp"  
4.   
5. using namespace cv;  
6. using namespace std;  
7.   
8. //定义gmm模型用到的变量  
9.  #define GMM_MAX_COMPONT 6          //每个GMM最多的高斯模型个数  
10.  #define GMM_LEARN_ALPHA 0.005    
11.  #define GMM_THRESHOD_SUMW 0.7  
12.  #define TRAIN_FRAMES 60    // 对前 TRAIN_FRAMES 帧建模  
13.   
14. class MOG_BGS  
15. {  
16. public:  
17.     MOG_BGS(void);  
18.     ~MOG_BGS(void);  
19.   
20.     void init(const Mat _image);  
21.     void processFirstFrame(const Mat _image);  
22.     void trainGMM(const Mat _image);  
23.     void getFitNum(const Mat _image);  
24.     void testGMM(const Mat _image);  
25.     Mat getMask(void){ return m_mask;};  
26.    
27. private:  
28.     Mat m_weight[GMM_MAX_COMPONT];  //权值  
29.     Mat m_mean[GMM_MAX_COMPONT];    //均值  
30.     Mat m_sigma[GMM_MAX_COMPONT];   //方差  
31.   
32.     Mat m_mask;  
33.     Mat m_fit_num;  
34. };  

MOG_BGS.cpp

[cpp]  view plain   copy

1. #include "MOG_BGS.h"  
2.   
3. MOG_BGS::MOG_BGS(void)  
4. {  
5.   
6. }  
7.   
8. MOG_BGS::~MOG_BGS(void)  
9. {  
10.   
11. }  
12.   
13. // 全部初始化为0  
14. void MOG_BGS::init(const Mat _image)  
15. {  
16.     /****initialization the three parameters ****/  
17.      for(int i = 0; i < GMM_MAX_COMPONT; i++)  
18.      {  
19.          m_weight[i] = Mat::zeros(_image.size(), CV_32FC1);  
20.          m_mean[i] = Mat::zeros(_image.size(), CV_8UC1);  
21.          m_sigma[i] = Mat::zeros(_image.size(), CV_32FC1);  
22.      }  
23.      m_mask = Mat::zeros(_image.size(),CV_8UC1);  
24.      m_fit_num = Mat::ones(_image.size(),CV_8UC1);  
25. }  
26.   
27. //gmm第一帧初始化函数实现  
28. //捕获到第一帧时对高斯分布进行初始化．主要包括对每个高斯分布的权值、期望和方差赋初值．  
29. //其中第一个高斯分布的权值为1，期望为第一个像素数据．其余高斯分布权值为0，期望为0．  
30. //每个高斯分布都被赋予适当的相等的初始方差 15  
31. void MOG_BGS::processFirstFrame(const