背景建模与前景检测 Background Generation And Foreground Detection

最新推荐文章于 2024-08-20 07:24:24 发布

这是晾衣服的地方吗

最新推荐文章于 2024-08-20 07:24:24 发布

阅读量303

点赞数

本文链接：https://blog.csdn.net/ffghggf/article/details/83997499

版权

本文介绍了背景建模与前景检测的概念，如帧差法、背景统计模型、编码本背景模型和高级背景统计模型（FGD、MOG），并详细讲述了OpenCV中对应的实现方法。通过实例展示了如何利用这些技术进行前景目标检测，适用于视频监控、仓库防盗等场景。

摘要由CSDN通过智能技术生成

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

背景建模与前景检测(Background Generation And Foreground Detection)

http://www.cnblogs.com/xrwang/archive/2010/02/21/ForegroundDetection.html

作者：王先荣

前言
在很多情况下，我们需要从一段视频或者一系列图片中找到感兴趣的目标，比如说当人进入已经打烊的超市时发出警报。为了达到这个目的，我们首先需要“学习”背景模型，然后将背景模型和当前图像进行比较，从而得到前景目标。

背景建模
背景与前景都是相对的概念，以高速公路为例：有时我们对高速公路上来来往往的汽车感兴趣，这时汽车是前景，而路面以及周围的环境是背景；有时我们仅仅对闯入高速公路的行人感兴趣，这时闯入者是前景，而包括汽车之类的其他东西又成了背景。背景建模的方式很多，或高级或简单。不过各种背景模型都有自己适用的场合，即使是高级的背景模型也不能适用于任何场合。下面我将逐一介绍OpenCv中已经实现，或者在《学习OpenCv》这本书中介绍的背景建模方法。
1.帧差
帧差可说是最简单的一种背景模型，指定视频中的一幅图像为背景，用当前帧与背景进行比较，根据需要过滤较小的差异，得到的结果就是前景了。OpenCv中为我们提供了一种动态计算阀值，然后用帧差进行前景检测的函数——cvChangeDetection（注：EmguCv中没有封装 cvChangeDetection，我将其声明到OpenCvInvoke类中，具体实现见文末代码）。而通过对两幅图像使用减法运算，然后再用指定阀值过滤的方法在《学习OpenCv》一书中有详细的介绍。它们的实现代码如下：

帧差

[DllImport( " cvaux200.dll " )] public static extern void cvChangeDetection(IntPtr prev_frame, IntPtr curr_frame, IntPtr change_mask); // backgroundMask为背景，imageBackgroundModel为背景模型，currentFrame为当前帧 if (backgroundMask == null ) backgroundMask = new Image < Gray, byte > (imageBackgroundModel.Size); if (threshold == 0d) // 如果阀值为0，使用OpenCv中的自适应动态背景检测 OpenCvInvoke.cvChangeDetection(imageBackgroundModel.Ptr, currentFrame.Ptr, backgroundMask.Ptr); else { // 如果设置了阀值，使用帧差 Image < TColor, Byte > imageTemp = imageBackgroundModel.AbsDiff(currentFrame); Image < Gray, Byte > [] images = imageTemp.Split(); backgroundMask.SetValue(0d); foreach (Image < Gray, Byte > image in images) backgroundMask._Or(image.ThresholdBinary( new Gray(threshold), new Gray(255d))); } backgroundMask._Not();

对于类似无人值守的仓库防盗之类的场合，使用帧差效果估计很好。

2.背景统计模型
背景统计模型是：对一段时间的背景进行统计，然后计算其统计数据（例如平均值、平均差分、标准差、均值漂移值等等），将统计数据作为背景的方法。 OpenCv中并未实现简单的背景统计模型，不过在《学习OpenCv》中对其中的平均背景统计模型有很详细的介绍。在模仿该算法的基础上，我实现了一系列的背景统计模型，包括：平均背景、均值漂移、标准差和标准协方差。对这些统计概念我其实不明白，在维基百科上看了好半天 -_-
调用背景统计模型很简单，只需4步而已：

// (1)初始化对象 BackgroundStatModelBase < Bgr > bgModel = new BackgroundStatModelBase < Bgr > (BackgroundStatModelType.AccAvg); // (2)更新一段时间的背景图像，视情况反复调用(2) bgModel.Update(image); // (3)设置当前帧 bgModel.CurrentFrame = currentFrame; // (4)得到背景或者前景 Image < Gray,Byte > imageForeground = bgModel.ForegroundMask;

背景统计模型的实现代码如下：

实现背景统计模型

3.编码本背景模型
    编码本的基本思路是这样的：针对每个像素在时间轴上的变动，建立多个（或者一个）包容近期所有变化的Box（变动范围）；在检测时，用当前像素与Box去比较，如果当前像素落在任何Box的范围内，则为背景。
    在OpenCv中已经实现了编码本背景模型，不过实现方式与《学习OpenCv》中提到的方式略有不同，主要有：（1）使用单向链表来容纳Code Element；（2）清除消极的Code Element时，并未重置t。OpenCv中的以下函数与编码本背景模型相关：
cvCreateBGCodeBookModel 建立背景模型
cvBGCodeBookUpdate       更新背景模型
cvBGCodeBookClearStale   清除消极的Code Element
cvBGCodeBookDiff         计算得到背景与前景（注意：该函数仅仅设置背景像素为0，而对前景像素未处理，因此在调用前需要将所有的像素先置为前景）
cvReleaseBGCodeBookModel 释放资源
    在EmguCv中只实现了一部分编码本背景模型，在类BGCodeBookModel<TColor>中，可惜它把cvBGCodeBookDiff给搞忘记了 -_-
下面的代码演示了如果使用编码本背景模型：

编码本模型

// （1）初始化对象 if (rbCodeBook.Checked) { if (bgCodeBookModel != null ) { bgCodeBookModel.Dispose(); bgCodeBookModel = null ; } bgCodeBookModel = new BGCodeBookModel < Bgr > (); } // （2）背景建模或者前景检测 bool stop = false ; while ( ! stop) { Image < Bgr, Byte > image = capture.QueryFrame().Clone(); // 当前帧 bool isBgModeling, isFgDetecting; // 是否正在建模，是否正在前景检测 lock (lockObject) { stop = ! isVideoCapturing; isBgModeling = isBackgroundModeling; isFgDetecting = isForegroundDetecting; } // 得到设置的参数 SettingParam param = (SettingParam) this .Invoke( new GetSettingParamDelegate(GetSettingParam)); // code book if (param.ForegroundDetectType == ForegroundDetectType.CodeBook) { if (bgCodeBookModel != null ) { // 背景建模 if (isBgModeling) { bgCodeBookModel.Update(image); // 背景建模一段时间之后，清理陈旧的条目 (因为清理操作不会重置t，所以这里用求余数的办法来决定清理的时机) if (backgroundModelFrameCount % CodeBookClearPeriod == CodeBookClearPeriod - 1 ) bgCodeBookModel.ClearStale(CodeBookStaleThresh, Rectangle.Empty, null ); backgroundModelFrameCount ++ ; pbBackgroundModel.Image = bgCodeBookModel.BackgroundMask.Bitmap; // 如果达到最大背景建模次数，停止背景建模 if (param.MaxBackgroundModelFrameCount != 0 && backgroundModelFrameCount > param.MaxBackgroundModelFrameCount) this .Invoke( new NoParamAndReturnDelegate(StopBackgroundModel)); } // 前景检测 if (isFgDetecting) { Image < Gray, Byte > imageFg = new Image < Gray, byte > (image.Size); imageFg.SetValue(255d); // CodeBook在得出前景时，仅仅将背景像素置零，所以这里需要先将所有的像素都假设为前景 CvInvoke.cvBGCodeBookDiff(bgCodeBookModel.Ptr, image.Ptr, imageFg.Ptr, Rectangle.Empty); pbBackgroundModel.Image = imageFg.Bitmap; } } } // 更新视频图像 pbVideo.Image = image.Bitmap; } // （3）释放对象 if (bgCodeBookModel != null ) { try { bgCodeBookModel.Dispose(); } catch { } }

4.高级背景统计模型
    在OpenCv还实现了两种高级的背景统计模型，它们为别是：（1）FGD——复杂背景下的前景物体检测(Foreground object detection from videos containing complex background)；（2）MOG——高斯混合模型(Mixture Of Gauss)。包括以下函数：
CvCreateFGDetectorBase 建立前景检测对象
CvFGDetectorProcess     更新前景检测对象
CvFGDetectorGetMask     获取前景
CvFGDetectorRelease     释放资源
    EmguCv将其封装到类FGDetector<TColor>中。我个人觉得OpenCv在实现这个模型的时候做得不太好，因为它将背景建模和前景检测糅合到一起了，无论你是否愿意，在建模的过程中也会检测前景，而只希望前景检测的时候，同时也会建模。我比较喜欢将背景建模和前景检测进行分离的设计。
调用的过程很简单，代码如下：

高级背景统计模型

前景检测
在建立好背景模型之后，通过对当前图像及背景的某种比较，我们可以得出前景。在上面的介绍中，已经包含了对前景的代码，在此不再重复。一般情况下，得到的前景包含了很多噪声，为了消除噪声&