背景消去建模（BSM）原理及代码演示

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;
}