基本原理:
上图中背景模型为之前的某一帧图像,与当前帧做差值,然后对差值图像最二值化,二值化的结果就是背景变为全黑的,前景为白色。二值图像反应了有对象的闯入。
opencv中集成了两种背景建模的方法:
图像分割(GMM-高斯很合模型):有关GMM高斯混合模型的介绍见我之前的博客:https://blog.csdn.net/molihong28/article/details/89319207
之所以选择GMM,是因为GMM具有抗噪声干扰的优点。
机器学习(KNN-K个最近邻):以第一幅小船的图为例,假如选取三帧背景图像,再选取三帧有前景(有小船)的图像,当到新的一帧图像时候(假设第七帧),选取第七帧中一部分像素点的灰度值(全部比较很浪费)与前边的背景图像和有前景的图像求欧式距离,这里会得到6个值(3+3)。假设KNN中的K是5,就可以实现像素前景背景的划分。
#include<opencv2/opencv.hpp>
#include<iostream>
using namespace cv;
using namespace std;
int main(int argc, char **argv) {
VideoCapture capture;
capture.open("D:/picture/opencv/images/video_003.avi");
if (!capture.isOpened()) {
printf("could not load video file...\n");
return -1;
}
Mat frame;
Mat bsmaskMOG2;
Mat bsmaskKNN;
namedWindow("Video-demo", CV_WINDOW_AUTOSIZE);
namedWindow("MOG2", CV_WINDOW_AUTOSIZE);
namedWindow("KNN Model", CV_WINDOW_AUTOSIZE);
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
//intialization BS
Ptr<BackgroundSubtractor> pMOG2 = createBackgroundSubtractorMOG2();
Ptr<BackgroundSubtractor> pKNN = createBackgroundSubtractorKNN();
while (capture.read(frame)) {
imshow("Video-demo", frame);
//MOG2 BSM
pMOG2->apply(frame, bsmaskMOG2);
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
morphologyEx(bsmaskMOG2, bsmaskMOG2, MORPH_OPEN, kernel, Point(-1, -1));
imshow("MOG2", bsmaskMOG2);
//KNN BSM
pKNN->apply(frame, bsmaskKNN,-1);
imshow("KNN Model", bsmaskKNN);
//show mask
char c = waitKey(100);
if (c == 27)
break;
}
capture.release();
waitKey(0);
return 0;
}