Opencv之背景建模

定义

所谓背景建模，就是将背景识别出来，与前景进行区分的过程。

方法

背景建模的方法有帧差法和混合高斯模型法，后者的应用更加普遍，而其效果更好，所以在这个案例中，我们使用后者来进行背景建模。

混合高斯模型

在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。

混合高斯模型学习方法

• 1.首先初始化每个高斯模型矩阵参数。

• 2.取视频中T帧数据图像用来训练高斯混合模型。来了第一个像素之后用它来当做第一个高斯分布。

• 3.当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该分布，并对其进行参数更新。

• 4.如果下一次来的像素不满足当前高斯分布，用它来创建一个新的高斯分布。

混合高斯模型测试方法

在测试阶段，对新来像素点的值与混合高斯模型中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。将前景赋值为255，背景赋值为0。这样就形成了一副前景二值图（如下图所示）。

代码实现

1、引入需要的库

import numpy as np
import cv2

2、导入视频

#经典的测试视频
cap = cv2.VideoCapture('test.avi')

3、创建形态学操作时需要使用的核

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))

4、创建混合高斯模型

fgbg = cv2.createBackgroundSubtractorMOG2()

5、将行人在视频中实时标记出

• 逐帧读取图片
• 形态学开运算去噪点
• 寻找视频中的轮廓
• 通过比较各轮廓的周长筛选需要的轮廓
• 用近似矩形圈出轮廓

while(True):
    ret, frame = cap.read()
    fgmask = fgbg.apply(frame)
    #形态学开运算去噪点
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
    #寻找视频中的轮廓
    im, contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    for c in contours:
        #计算各轮廓的周长
        perimeter = cv2.arcLength(c,True)
        if perimeter > 188:
            #找到一个直矩形（不会旋转）
            x,y,w,h = cv2.boundingRect(c)
            #画出这个矩形
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)    

    cv2.imshow('frame',frame)
    cv2.imshow('fgmask', fgmask)
    k = cv2.waitKey(150) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()