运动检测（前景检测）之——ViBe

最新推荐文章于 2019-04-19 12:12:16 发布

AI算法网奇

最新推荐文章于 2019-04-19 12:12:16 发布

阅读量2.9k

点赞数

分类专栏：机器学习视觉相关

本文链接：https://blog.csdn.net/jacke121/article/details/78504740

版权

视觉相关同时被 2 个专栏收录

229 篇文章 25 订阅

订阅专栏

机器学习

40 篇文章 3 订阅

订阅专栏

运动检测（前景检测）之——ViBe

这个也是c++ 代码：

https://download.csdn.net/download/zhuangxiaobin/7360113

　　目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些：

　　帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像）、时间熵……等等。如果加上他们的改进版，那就是很大的一个家族了。

　　至于哪个最好，看使用环境吧，各有千秋，有一些适用的情况更多，有一些在某些情况下表现更好。这些都需要针对自己的使用情况作测试确定的。呵呵。

　　推荐一个牛逼的库：http://code.google.com/p/bgslibrary/里面包含了各种背景减除的方法，可以让自己少做很多力气活。

　　还有王先荣博客上存在不少的分析：

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

　　本文主要关注其中的一种背景减除方法：ViBe。stellar0的博客上对ViBe进行了分析，我这里就不再啰嗦了，具体的理论可以参考：

http://blog.csdn.net/charlene_bo/article/details/62881857

http://www2.ulg.ac.be/telecom/research/vibe/

http://blog.csdn.net/stellar0/article/details/8777283

http://blog.csdn.net/yongshengsilingsa/article/details/6659859

http://www2.ulg.ac.be/telecom/research/vibe/download.html

http://www.cvchina.info/2011/12/25/vibe/

《ViBe: A universal background subtraction algorithm for video sequences》

《ViBe: a powerful technique for background detection and subtraction in video sequences》

运动目标前景检测之ViBe源代码分析

一方面为了学习，一方面按照老师和项目的要求接触到了前景提取的相关知识，具体的方法有很多，帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像）、时间熵……等等。
更为具体的资料可以参考一下链接，作者做了很好的总结。点击打开链接http://blog.csdn.net/zouxy09/article/details/9622285

我只要针对作者提供的源代码，加上我的理解最代码捉了做了相关的注释，便于自己对代码的阅读和与大家的交流，如果不妥之处，稀罕大家多多提出，共同进步

ViBe.h（头文件，一般做申明函数、类使用，不做具体定义）

#pragma once
#include <iostream>
#include "opencv2/opencv.hpp"
　　
using namespace cv;
using namespace std;
　　
#define NUM_SAMPLES 20 //每个像素点的样本个数
#define MIN_MATCHES 2 //#min指数
#define RADIUS 20 //Sqthere半径
#define SUBSAMPLE_FACTOR 16 //子采样概率，决定背景更新的概率
　　
　　
class ViBe_BGS
{
public:
　　ViBe_BGS(void); //构造函数
　　~ViBe_BGS(void); //析构函数，对开辟的内存做必要的清理工作
　　
　　void init(const Mat _image); //初始化
　　void processFirstFrame(const Mat _image); //利用第一帧进行建模
　　void testAndUpdate(const Mat _image); //判断前景与背景，并进行背景跟新
　　Mat getMask(void){return m_mask;}; //得到前景
　　
private:
　　Mat m_samples[NUM_SAMPLES]; //每一帧图像的每一个像素的样本集
　　Mat m_foregroundMatchCount; //统计像素被判断为前景的次数，便于跟新
　　Mat m_mask; //前景提取后的一帧图像
};

ViBe.cpp（上面所提到的申明的具体定义）

#include <opencv2/opencv.hpp>
#include <iostream>
#include "ViBe.h"
　　
using namespace std;
using namespace cv;
　　
int c_xoff[9] = {-1, 0, 1, -1, 1, -1, 0, 1, 0}; //x的邻居点，9宫格
int c_yoff[9] = {-1, 0, 1, -1, 1, -1, 0, 1, 0}; //y的邻居点
　　
ViBe_BGS::ViBe_BGS(void)
{
　　
}
ViBe_BGS::~ViBe_BGS(void)
{
　　
}
　　
/**************** Assign space and init ***************************/
void ViBe_BGS::init(const Mat _image) //成员函数初始化
{
　　for(int i = 0; i < NUM_SAMPLES; i++) //可以这样理解，针对一帧图像，建立了20帧的样本集
　　{
　　m_samples[i] = Mat::zeros(_image.size(), CV_8UC1); //针对每一帧样本集的每一个像素初始化为8位无符号0，单通道
　　}
　　m_mask = Mat::zeros(_image.size(),CV_8UC1); //初始化
　　m_foregroundMatchCount = Mat::zeros(_image.size(),CV_8UC1); //每一个像素被判断为前景的次数，初始化
}
　　
/**************** Init model from first frame ********************/
void ViBe_BGS::processFirstFrame(const Mat _image)
{
　　RNG rng; //随机数产生器
　　int row, col;
　　
　　for(int i = 0; i < _image.rows; i++)
　　{
　　for(int j = 0; j < _image.cols; j++)
　　{
　　for(int k = 0 ; k < NUM_SAMPLES; k++)
　　{
　　// Random pick up NUM_SAMPLES pixel in neighbourhood to construct the model
　　int random = rng.uniform(0, 9); //随机产生0-9的随机数，主要用于定位中心像素的邻域像素
　　
　　row = i + c_yoff[random]; //定位中心像素的邻域像素
　　if (row < 0) //下面四句主要用于判断是否超出边界
　　row = 0;
　　if (row >= _image.rows)
　　row = _image.rows - 1;
　　
　　col = j + c_xoff[random];
　　if (col < 0) //下面四句主要用于判断是否超出边界
　　col = 0;
　　if (col >= _image.cols)
　　col = _image.cols - 1;
　　
　　m_samples[k].at<uchar>(i, j) = _image.at<uchar>(row, col); //将相应的像素值复制到样本集中
　　}
　　}
　　}
}
　　
/**************** Test a new frame and update model ********************/
void ViBe_BGS::testAndUpdate(const Mat _image)
{
　　RNG rng;
　　
　　for(int i = 0; i < _image.rows; i++)
　　{
　　for(int j = 0; j < _image.cols; j++)
　　{
　　int matches(0), count(0);
　　float dist;
　　
　　while(matches < MIN_MATCHES && count < NUM_SAMPLES) //逐个像素判断，当匹配个数大于阀值MIN_MATCHES，或整个样本集遍历完成跳出
　　{
　　dist = abs(m_samples[count].at<uchar>(i, j) - _image.at<uchar>(i, j)); //当前帧像素值与样本集中的值做差，取绝对值
　　if (dist < RADIUS) //当绝对值小于阀值是，表示当前帧像素与样本值中的相似
　　matches++;
　　count++; //取样本值的下一个元素作比较
　　}
　　
　　if (matches >= MIN_MATCHES) //匹配个数大于阀值MIN_MATCHES个数时，表示作为背景
　　{
　　// It is a background pixel
　　m_foregroundMatchCount.at<uchar>(i, j) = 0; //被检测为前景的个数赋值为0
　　
　　// Set background pixel to 0
　　m_mask.at<uchar>(i, j) = 0; //该像素点值也为0
　　
　　// 如果一个像素是背景点，那么它有 1 / defaultSubsamplingFactor 的概率去更新自己的模型样本值
　　int random = rng.uniform(0, SUBSAMPLE_FACTOR); //以1 / defaultSubsamplingFactor概率跟新背景
　　if (random == 0)
　　{
　　random = rng.uniform(0, NUM_SAMPLES);
　　m_samples[random].at<uchar>(i, j) = _image.at<uchar>(i, j);
　　}
　　
　　// 同时也有 1 / defaultSubsamplingFactor 的概率去更新它的邻居点的模型样本值
　　random = rng.uniform(0, SUBSAMPLE_FACTOR);
　　if (random == 0)
　　{
　　int row, col;
　　random = rng.uniform(0, 9);
　　row = i + c_yoff[random];
　　if (row < 0) //下面四句主要用于判断是否超出边界
　　row = 0;
　　if (row >= _image.rows)
　　row = _image.rows - 1;
　　
　　random = rng.uniform(0, 9);
　　col = j + c_xoff[random];
　　if (col < 0) //下面四句主要用于判断是否超出边界
　　col = 0;
　　if (col >= _image.cols)
　　col = _image.cols - 1;
　　
　　random = rng.uniform(0, NUM_SAMPLES);
　　m_samples[random].at<uchar>(row, col) = _image.at<uchar>(i, j); //模型样本值更新
　　}
　　}
　　else //匹配个数小于阀值MIN_MATCHES个数时，表示作为前景
　　{
　　// It is a foreground pixel
　　m_foregroundMatchCount.at<uchar>(i, j)++; //检测为前景的个数加1
　　
　　// Set background pixel to 255
　　m_mask.at<uchar>(i, j) =255; //前景点用白色（255）表示
　　
　　//如果某个像素点连续N次（这里为50次）被检测为前景，则认为一块静止区域被误判为运动，将其更新为背景点
　　if (m_foregroundMatchCount.at<uchar>(i, j) > 50)
　　{
　　int random = rng.uniform(0, SUBSAMPLE_FACTOR);
　　if (random == 0)
　　{
　　random = rng.uniform(0, NUM_SAMPLES);
　　m_samples[random].at<uchar>(i, j) = _image.at<uchar>(i, j);
　　}
　　}
　　}
　　}
　　}
}

main.cpp（你懂的……）

#include <opencv2/opencv.hpp>
#include "ViBe.h"
#include <iostream>
#include <cstdio>
#include<stdlib.h>
using namespace cv;
using namespace std;
　　
int main(int argc, char* argv[])
{
　　Mat frame, gray, mask;
　　VideoCapture capture;
　　capture.open("E:\\overpass\\11.avi"); //输入视频地址
　　
　　if (!capture.isOpened())
　　{
　　cout<<"No camera or video input!\n"<<endl;
　　return -1;
　　}
　　
　　ViBe_BGS Vibe_Bgs; //定义一个背景差分对象
　　int count = 0; //帧计数器，统计为第几帧
　　
　　while (1)
　　{
　　count++;
　　capture >> frame;
　　if (frame.empty())
　　break;
　　cvtColor(frame, gray, CV_RGB2GRAY); //转化为灰度图像
　　
　　if (count == 1) //若为第一帧
　　{
　　Vibe_Bgs.init(gray);
　　Vibe_Bgs.processFirstFrame(gray); //背景模型初始化
　　cout<<" Training GMM complete!"<<endl;
　　}
　　else
　　{
　　Vibe_Bgs.testAndUpdate(gray);
　　mask = Vibe_Bgs.getMask(); //计算前景
　　morphologyEx(mask, mask, MORPH_OPEN, Mat()); //形态学处理消除前景图像中的小噪声，这里用的开运算
　　imshow("mask", mask);
　　}
　　
　　imshow("input", frame);
　　
　　if ( cvWaitKey(10) == 'q' ) //键盘键入q,则停止运行，退出程序
　　break;
　　}
system("pause");
　　return 0;
}

AI算法网奇

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
打赏
0
评论
运动检测（前景检测）之——ViBe

运动检测（前景检测）之——ViBe这个也是c++ 代码：https://download.csdn.net/download/zhuangxiaobin/7360113　　目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些：　　帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、...
复制链接

扫一扫