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
/* 背景统计模型 作者：王先荣 时间：2010年2月19日 */ using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Drawing; using System.Diagnostics; using System.Runtime.InteropServices; using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; using Emgu.CV.UI; using Emgu.CV.VideoSurveillance; namespace ImageProcessLearn { // 背景模型接口，在IBGFGDetector接口的基础上增加了一个CurrentFrame属性 public interface IBackgroundStatModel < TColor > : IDisposable where TColor : struct , IColor { /// <summary> /// 获取前景 /// </summary> Image < Gray, byte > BackgroundMask { get ; } /// <summary> /// 获取背景 /// </summary> Image < Gray, byte > ForegroundMask { get ; } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> void Update(Image < TColor, byte > image); /// <summary> /// 计算统计数据 /// </summary> void CalcStatData(); /// <summary> /// 获取或者设置当前帧 /// </summary> Image < TColor, Byte > CurrentFrame { get ; set ; } } /// <summary> /// 使用帧差的方式来建立背景模型 /// </summary> /// <typeparam name="TColor"></typeparam> public class BackgroundStatModelFrameDiff < TColor > : IBackgroundStatModel < TColor > where TColor : struct , IColor { // 成员 private Image < TColor, Byte > imageBackgroundModel; // 背景模型图像 private Image < TColor, Byte > currentFrame; // 当前帧 private double threshold; // 计算前景时所用的阀值，如果当前帧和背景的差别大于阀值，则被认为是前景 private Image < Gray, Byte > backgroundMask; // 计算得到的背景图像 /// <summary> /// 构造函数 /// </summary> /// <param name="image"> 用于背景统计模型的背景 </param> public BackgroundStatModelFrameDiff(Image < TColor, Byte > image) { imageBackgroundModel = image; currentFrame = null ; threshold = 15d; backgroundMask = null ; } public BackgroundStatModelFrameDiff() : this ( null ) { } /// <summary> /// 设置或者获取计算前景时所用的阀值；如果阀值为0，则使用自适应的阀值 /// </summary> public double Threshold { get { return threshold; } set { threshold = value >= 0 ? value : 15d; } } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> public void Update(Image < TColor, Byte > image) { imageBackgroundModel = image; } /// <summary> /// 获取或者设置当前帧 /// </summary> public Image < TColor, Byte > CurrentFrame { get { return currentFrame; } set { currentFrame = value; CalcBackgroundMask(); } } /// <summary> /// 计算统计数据 /// </summary> public void CalcStatData() { } /// <summary> /// 计算背景 /// </summary> private void CalcBackgroundMask() { if (imageBackgroundModel == null || currentFrame == null || imageBackgroundModel.Size != currentFrame.Size) throw new ArgumentException( " 在计算背景时发现参数错误。可能是：背景模型图像为空，当前帧为空，或者背景模型图像和当前帧的尺寸不一致。 " ); 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(); } /// <summary> /// 获取背景 /// </summary> public Image < Gray, Byte > BackgroundMask { get { return backgroundMask; } } /// <summary> /// 获取前景 /// </summary> public Image < Gray, Byte > ForegroundMask { get { return backgroundMask.Not(); } } /// <summary> /// 释放资源 /// </summary> public void Dispose() { if (backgroundMask != null ) backgroundMask.Dispose(); } } /// <summary> /// 使用平均背景来建立背景模型 /// </summary> /// <typeparam name="TColor"></typeparam> public class BackgroundStatModelAccAvg < TColor > : IBackgroundStatModel < TColor > where TColor : struct , IColor { // 成员 private Image < TColor, Single > imageAccSum; // 累计图像 private Image < TColor, Single > imageAccDiff; // 累计差值图像 private int frameCount; // 已经累计的背景帧数 private Image < TColor, Single > previousFrame; // 在背景建模时使用的前一帧图像 private Image < TColor, Byte > currentFrame; // 当前帧图像 private double scale; // 计算背景时所使用的缩放系数，大于平均值*scale倍数的像素认为是前景 private Image < Gray, Byte > backgroundMask; // 计算得到的背景图像 private Image < TColor, Single > imageTemp; // 临时图像 private bool isStatDataReady; // 是否已经准备好统计数据 private Image < Gray, Single > [] imagesHi; // 背景模型中各通道的最大值图像 private Image < Gray, Single > [] imagesLow; // 背景模型中各通道的最小值图像 /// <summary> /// 构造函数 /// </summary> public BackgroundStatModelAccAvg() { imageAccSum = null ; imageAccDiff = null ; frameCount = 0 ; previousFrame = null ; currentFrame = null ; scale = 6d; backgroundMask = null ; isStatDataReady = false ; imagesHi = null ; imagesLow = null ; } /// <summary> /// 设置或者获取计算前景时所用的阀值 /// </summary> public double Scale { get { return scale; } set { scale = value > 0 ? value : 6d; } } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> public void Update(Image < TColor, Byte > image) { if (frameCount == 0 ) { imageAccSum = new Image < TColor, Single > (image.Size); imageAccSum.SetValue(0d); imageAccDiff = new Image < TColor, float > (image.Size); imageAccDiff.SetValue(0d); } imageTemp = image.ConvertScale < Single > (1d, 0d); // 将图像转换成浮点型 imageAccSum.Acc(imageTemp); if (previousFrame != null ) imageAccDiff.Acc(imageTemp.AbsDiff(previousFrame)); previousFrame = imageTemp.Copy(); frameCount ++ ; } /// <summary> /// 获取或者设置当前帧 /// </summary> public Image < TColor, Byte > CurrentFrame { get { return currentFrame; } set { currentFrame = value; CalcBackgroundMask(); } } /// <summary> /// 计算统计数据 /// </summary> public void CalcStatData() { // 计算出最高及最低阀值图像 Image < TColor, Single > imageAvg = imageAccSum.ConvertScale < Single > (1d / frameCount, 0d); Image < TColor, Single > imageAvgDiff = imageAccDiff.ConvertScale < Single > (1d / frameCount, 1d); // 将平均值加1，为了确保总是存在差异 Image < TColor, Single > imageHi = imageAvg.Add(imageAvgDiff.ConvertScale < Single > (scale, 0d)); Image < TColor, Single > imageLow = imageAvg.Sub(imageAvgDiff.ConvertScale < Single > (scale, 0d)); imagesHi = imageHi.Split(); imagesLow = imageLow.Split(); isStatDataReady = true ; // 释放资源 imageAvg.Dispose(); imageAvgDiff.Dispose(); imageHi.Dispose(); imageLow.Dispose(); } /// <summary> /// 计算背景 /// </summary> private void CalcBackgroundMask() { if (imageAccSum == null || imageAccDiff == null || imageAccSum.Size != currentFrame.Size) throw new ArgumentException( " 在计算背景时发生参数错误。可能是：还没有建立背景模型；或者当前帧的尺寸与背景尺寸不一致。 " ); if ( ! isStatDataReady) CalcStatData(); imageTemp = currentFrame.ConvertScale < Single > (1d, 0d); Image < Gray, Single > [] images = imageTemp.Split(); // 计算背景图像 if (backgroundMask == null ) backgroundMask = new Image < Gray, byte > (currentFrame.Size); backgroundMask.SetZero(); for ( int i = 0 ; i < currentFrame.NumberOfChannels; i ++ ) backgroundMask._Or(images[i].InRange(imagesLow[i], imagesHi[i])); // 释放资源 for ( int i = 0 ; i < images.Length; i ++ ) images[i].Dispose(); } /// <summary> /// 获取背景 /// </summary> public Image < Gray, Byte > BackgroundMask { get { return backgroundMask; } } /// <summary> /// 获取前景 /// </summary> public Image < Gray, Byte > ForegroundMask { get { return backgroundMask.Not(); } } /// <summary> /// 释放资源 /// </summary> public void Dispose() { if (imageAccSum != null ) imageAccSum.Dispose(); if (imageAccDiff != null ) imageAccDiff.Dispose(); if (previousFrame != null ) previousFrame.Dispose(); if (currentFrame != null ) currentFrame.Dispose(); if (backgroundMask != null ) backgroundMask.Dispose(); if (isStatDataReady) { for ( int i = 0 ; i < imagesHi.Length; i ++ ) { imagesHi[i].Dispose(); imagesLow[i].Dispose(); } } } } /// <summary> /// 使用均值漂移来建立背景模型 /// </summary> /// <typeparam name="TColor"></typeparam> public class BackgroundStatModelRunningAvg < TColor > : IBackgroundStatModel < TColor > where TColor : struct , IColor { // 成员 private Image < TColor, Single > imageAcc; // 累计图像 private Image < TColor, Single > imageAccDiff; // 累计差值图像 private int frameCount; // 已经累计的背景帧数 private Image < TColor, Single > previousFrame; // 在背景建模时使用的前一帧图像 private Image < TColor, Byte > currentFrame; // 当前帧图像 private double scale; // 计算背景时所使用的缩放系数，大于平均值*scale倍数的像素认为是前景 private double alpha; // 计算均值漂移时使用的权值 private Image < Gray, Byte > backgroundMask; // 计算得到的背景图像 private Image < TColor, Single > imageTemp; // 临时图像 private bool isStatDataReady; // 是否已经准备好统计数据 private Image < Gray, Single > [] imagesHi; // 背景模型中各通道的最大值图像 private Image < Gray, Single > [] imagesLow; // 背景模型中各通道的最小值图像 /// <summary> /// 构造函数 /// </summary> public BackgroundStatModelRunningAvg() { imageAcc = null ; imageAccDiff = null ; frameCount = 0 ; previousFrame = null ; currentFrame = null ; scale = 6d; alpha = 0.5d ; backgroundMask = null ; isStatDataReady = false ; imagesHi = null ; imagesLow = null ; } /// <summary> /// 设置或者获取计算前景时所用的阀值 /// </summary> public double Scale { get { return scale; } set { scale = value > 0 ? value : 6d; } } /// <summary> /// 设置或者获取计算均值漂移是使用的权值 /// </summary> public double Alpha { get { return alpha; } set { alpha = value > 0 && value < 1 ? value : 0.5d ; } } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> public void Update(Image < TColor, Byte > image) { imageTemp = image.ConvertScale < Single > (1d, 0d); // 将图像转换成浮点型 if (imageAcc == null ) { imageAcc = imageTemp.Copy(); } else imageAcc.RunningAvg(imageTemp, alpha); if (previousFrame != null ) { if (imageAccDiff == null ) imageAccDiff = imageTemp.AbsDiff(previousFrame); else imageAccDiff.RunningAvg(imageTemp.AbsDiff(previousFrame), alpha); } previousFrame = imageTemp.Copy(); frameCount ++ ; } /// <summary> /// 获取或者设置当前帧 /// </summary> public Image < TColor, Byte > CurrentFrame { get { return currentFrame; } set { currentFrame = value; CalcBackgroundMask(); } } /// <summary> /// 计算统计数据 /// </summary> public void CalcStatData() { // 计算出最高及最低阀值图像 Image < TColor, Single > imageHi = imageAcc.Add(imageAccDiff.ConvertScale < Single > (scale, 0d)); Image < TColor, Single > imageLow = imageAcc.Sub(imageAccDiff.ConvertScale < Single > (scale, 0d)); imagesHi = imageHi.Split(); imagesLow = imageLow.Split(); isStatDataReady = true ; // 释放资源 imageHi.Dispose(); imageLow.Dispose(); } /// <summary> /// 计算背景 /// </summary> private void CalcBackgroundMask() { if (imageAcc == null || imageAccDiff == null || imageAcc.Size != currentFrame.Size) throw new ArgumentException( " 在计算背景时发生参数错误。可能是：还没有建立背景模型；或者当前帧的尺寸与背景尺寸不一致。 " ); if ( ! isStatDataReady) CalcStatData(); imageTemp = currentFrame.ConvertScale < Single > (1d, 0d); Image < Gray, Single > [] images = imageTemp.Split(); // 计算背景图像 if (backgroundMask == null ) backgroundMask = new Image < Gray, byte > (currentFrame.Size); backgroundMask.SetZero(); for ( int i = 0 ; i < currentFrame.NumberOfChannels; i ++ ) backgroundMask._Or(images[i].InRange(imagesLow[i], imagesHi[i])); // 释放资源 for ( int i = 0 ; i < images.Length; i ++ ) images[i].Dispose(); } /// <summary> /// 获取背景 /// </summary> public Image < Gray, Byte > BackgroundMask { get { return backgroundMask; } } /// <summary> /// 获取前景 /// </summary> public Image < Gray, Byte > ForegroundMask { get { return backgroundMask.Not(); } } /// <summary> /// 释放资源 /// </summary> public void Dispose() { if (imageAcc != null ) imageAcc.Dispose(); if (imageAccDiff != null ) imageAccDiff.Dispose(); if (previousFrame != null ) previousFrame.Dispose(); if (currentFrame != null ) currentFrame.Dispose(); if (backgroundMask != null ) backgroundMask.Dispose(); if (isStatDataReady) { for ( int i = 0 ; i < imagesHi.Length; i ++ ) { imagesHi[i].Dispose(); imagesLow[i].Dispose(); } } } } /// <summary> /// 使用标准方差来建立背景模型 /// </summary> /// <typeparam name="TColor"></typeparam> public class BackgroundStatModelSquareAcc < TColor > : IBackgroundStatModel < TColor > where TColor : struct , IColor { // 成员 private Image < TColor, Single > imageAccSum; // 累计图像 private Image < TColor, Single > imageAccSquare; // 累计平方图像 private int frameCount; // 已经累计的背景帧数 private Image < TColor, Single > previousFrame; // 在背景建模时使用的前一帧图像 private Image < TColor, Byte > currentFrame; // 当前帧图像 private double scale; // 计算背景时所使用的缩放系数，大于平均值*scale倍数的像素认为是前景 private Image < Gray, Byte > backgroundMask; // 计算得到的背景图像 private Image < TColor, Single > imageTemp; // 临时图像 private bool isStatDataReady; // 是否已经准备好统计数据 private Image < Gray, Single > [] imagesHi; // 背景模型中各通道的最大值图像 private Image < Gray, Single > [] imagesLow; // 背景模型中各通道的最小值图像 /// <summary> /// 构造函数 /// </summary> public BackgroundStatModelSquareAcc() { imageAccSum = null ; imageAccSquare = null ; frameCount = 0 ; previousFrame = null ; currentFrame = null ; scale = 6d; backgroundMask = null ; isStatDataReady = false ; imagesHi = null ; imagesLow = null ; } /// <summary> /// 设置或者获取计算前景时所用的阀值 /// </summary> public double Scale { get { return scale; } set { scale = value > 0 ? value : 6d; } } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> public void Update(Image < TColor, Byte > image) { if (frameCount == 0 ) { imageAccSum = new Image < TColor, Single > (image.Size); imageAccSum.SetZero(); imageAccSquare = new Image < TColor, float > (image.Size); imageAccSquare.SetZero(); } imageTemp = image.ConvertScale < Single > (1d, 0d); // 将图像转换成浮点型 imageAccSum.Acc(imageTemp); CvInvoke.cvSquareAcc(imageTemp.Ptr, imageAccSquare.Ptr, IntPtr.Zero); previousFrame = imageTemp.Copy(); frameCount ++ ; } /// <summary> /// 获取或者设置当前帧 /// </summary> public Image < TColor, Byte > CurrentFrame { get { return currentFrame; } set { currentFrame = value; CalcBackgroundMask(); } } /// <summary> /// 计算统计数据 /// </summary> public void CalcStatData() { // 计算出标准差、最高及最低阀值图像 Image < TColor, Single > imageAvg = imageAccSum.ConvertScale < Single > (1d / frameCount, 0d); Image < TColor, Single > imageSd = imageAccSquare.ConvertScale < Single > (1d / frameCount, 0d); imageSd.Sub(imageAvg.Pow(2d)); imageSd = imageSd.Pow( 0.5d ); Image < TColor, Single > imageHi = imageAvg.Add(imageSd.ConvertScale < Single > (scale, 0d)); Image < TColor, Single > imageLow = imageAvg.Sub(imageSd.ConvertScale < Single > (scale, 0d)); imagesHi = imageHi.Split(); imagesLow = imageLow.Split(); isStatDataReady = true ; // 释放资源 imageAvg.Dispose(); imageSd.Dispose(); imageHi.Dispose(); imageLow.Dispose(); } /// <summary> /// 计算背景 /// </summary> private void CalcBackgroundMask() { if (imageAccSum == null || imageAccSquare == null || imageAccSum.Size != currentFrame.Size) throw new ArgumentException( " 在计算背景时发生参数错误。可能是：还没有建立背景模型；或者当前帧的尺寸与背景尺寸不一致。 " ); if ( ! isStatDataReady) CalcStatData(); imageTemp = currentFrame.ConvertScale < Single > (1d, 0d); Image < Gray, Single > [] images = imageTemp.Split(); // 计算背景图像 if (backgroundMask == null ) backgroundMask = new Image < Gray, byte > (currentFrame.Size); backgroundMask.SetZero(); for ( int i = 0 ; i < currentFrame.NumberOfChannels; i ++ ) backgroundMask._Or(images[i].InRange(imagesLow[i], imagesHi[i])); // 释放资源 for ( int i = 0 ; i < images.Length; i ++ ) images[i].Dispose(); } /// <summary> /// 获取背景 /// </summary> public Image < Gray, Byte > BackgroundMask { get { return backgroundMask; } } /// <summary> /// 获取前景 /// </summary> public Image < Gray, Byte > ForegroundMask { get { return backgroundMask.Not(); } } /// <summary> /// 释放资源 /// </summary> public void Dispose() { if (imageAccSum != null ) imageAccSum.Dispose(); if (imageAccSquare != null ) imageAccSquare.Dispose(); if (previousFrame != null ) previousFrame.Dispose(); if (currentFrame != null ) currentFrame.Dispose(); if (backgroundMask != null ) backgroundMask.Dispose(); if (isStatDataReady) { for ( int i = 0 ; i < imagesHi.Length; i ++ ) { imagesHi[i].Dispose(); imagesLow[i].Dispose(); } } } } /// <summary> /// 使用标准协方差来建立背景模型 /// </summary> /// <typeparam name="TColor"></typeparam> public class BackgroundStatModelMultiplyAcc < TColor > : IBackgroundStatModel < TColor > where TColor : struct , IColor { // 成员 private Image < TColor, Single > imageAccSum; // 累计图像 private Image < TColor, Single > imageAccMultiply; // 累计平方图像 private int frameCount; // 已经累计的背景帧数 private Image < TColor, Single > previousFrame; // 在背景建模时使用的前一帧图像 private Image < TColor, Byte > currentFrame; // 当前帧图像 private double scale; // 计算背景时所使用的缩放系数，大于平均值*scale倍数的像素认为是前景 private Image < Gray, Byte > backgroundMask; // 计算得到的背景图像 private Image < TColor, Single > imageTemp; // 临时图像 private bool isStatDataReady; // 是否已经准备好统计数据 private Image < Gray, Single > [] imagesHi; // 背景模型中各通道的最大值图像 private Image < Gray, Single > [] imagesLow; // 背景模型中各通道的最小值图像 /// <summary> /// 构造函数 /// </summary> public BackgroundStatModelMultiplyAcc() { imageAccSum = null ; imageAccMultiply = null ; frameCount = 0 ; previousFrame = null ; currentFrame = null ; scale = 6d; backgroundMask = null ; isStatDataReady = false ; imagesHi = null ; imagesLow = null ; } /// <summary> /// 设置或者获取计算前景时所用的阀值 /// </summary> public double Scale { get { return scale; } set { scale = value > 0 ? value : 6d; } } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> public void Update(Image < TColor, Byte > image) { if (frameCount == 0 ) { imageAccSum = new Image < TColor, Single > (image.Size); imageAccSum.SetZero(); imageAccMultiply = new Image < TColor, float > (image.Size); imageAccMultiply.SetZero(); } imageTemp = image.ConvertScale < Single > (1d, 0d); // 将图像转换成浮点型 imageAccSum.Acc(imageTemp); if (previousFrame != null ) CvInvoke.cvMultiplyAcc(previousFrame.Ptr, imageTemp.Ptr, imageAccMultiply.Ptr, IntPtr.Zero); previousFrame = imageTemp.Copy(); frameCount ++ ; } /// <summary> /// 获取或者设置当前帧 /// </summary> public Image < TColor, Byte > CurrentFrame { get { return currentFrame; } set { currentFrame = value; CalcBackgroundMask(); } } /// <summary> /// 计算统计数据 /// </summary> public void CalcStatData() { // 计算出标准协方差、最高及最低阀值图像 Image < TColor, Single > imageAvg = imageAccSum.ConvertScale < Single > (1d / frameCount, 0d); Image < TColor, Single > imageScov = imageAccMultiply.ConvertScale < Single > (1d / frameCount, 0d); imageScov.Sub(imageAvg.Pow(2d)); imageScov = imageScov.Pow( 0.5d ); Image < TColor, Single > imageHi = imageAvg.Add(imageScov.ConvertScale < Single > (scale, 0d)); Image < TColor, Single > imageLow = imageAvg.Sub(imageScov.ConvertScale < Single > (scale, 0d)); imagesHi = imageHi.Split(); imagesLow = imageLow.Split(); isStatDataReady = true ; // 释放资源 imageAvg.Dispose(); imageScov.Dispose(); imageHi.Dispose(); imageLow.Dispose(); } /// <summary> /// 计算背景 /// </summary> private void CalcBackgroundMask() { if (imageAccSum == null || imageAccMultiply == null || imageAccSum.Size != currentFrame.Size) throw new ArgumentException( " 在计算背景时发生参数错误。可能是：还没有建立背景模型；或者当前帧的尺寸与背景尺寸不一致。 " ); if ( ! isStatDataReady) CalcStatData(); imageTemp = currentFrame.ConvertScale < Single > (1d, 0d); Image < Gray, Single > [] images = imageTemp.Split(); // 计算背景图像 if (backgroundMask == null ) backgroundMask = new Image < Gray, byte > (currentFrame.Size); backgroundMask.SetZero(); for ( int i = 0 ; i < currentFrame.NumberOfChannels; i ++ ) backgroundMask._Or(images[i].InRange(imagesLow[i], imagesHi[i])); // 释放资源 for ( int i = 0 ; i < images.Length; i ++ ) images[i].Dispose(); } /// <summary> /// 获取背景 /// </summary> public Image < Gray, Byte > BackgroundMask { get { return backgroundMask; } } /// <summary> /// 获取前景 /// </summary> public Image < Gray, Byte > ForegroundMask { get { return backgroundMask.Not(); } } /// <summary> /// 释放资源 /// </summary> public void Dispose() { if (imageAccSum != null ) imageAccSum.Dispose(); if (imageAccMultiply != null ) imageAccMultiply.Dispose(); if (previousFrame != null ) previousFrame.Dispose(); if (currentFrame != null ) currentFrame.Dispose(); if (backgroundMask != null ) backgroundMask.Dispose(); if (isStatDataReady) { for ( int i = 0 ; i < imagesHi.Length; i ++ ) { imagesHi[i].Dispose(); imagesLow[i].Dispose(); } } } } /// <summary> /// 背景统计模型 /// </summary> public class BackgroundStatModelBase < TColor > : IBackgroundStatModel < TColor > where TColor : struct , IColor { // 成员变量 IBackgroundStatModel < TColor > bgModel; BackgroundStatModelType type; /// <summary> /// 构造函数 /// </summary> /// <param name="type"> 背景模型类型 </param> public BackgroundStatModelBase(BackgroundStatModelType type) { this .type = type; switch (type) { case BackgroundStatModelType.FrameDiff: bgModel = new BackgroundStatModelFrameDiff < TColor > (); break ; case BackgroundStatModelType.AccAvg: bgModel = new BackgroundStatModelAccAvg < TColor > (); break ; case BackgroundStatModelType.RunningAvg: bgModel = new BackgroundStatModelRunningAvg < TColor > (); break ; case BackgroundStatModelType.SquareAcc: bgModel = new BackgroundStatModelSquareAcc < TColor > (); break ; case BackgroundStatModelType.MultiplyAcc: bgModel = new BackgroundStatModelMultiplyAcc < TColor > (); break ; default : throw new ArgumentException( " 不存在的背景模型 " , " type " ); } } /// <summary> /// 获取背景模型类型 /// </summary> public BackgroundStatModelType BackgroundStatModelType { get { return type; } } /// <summary> /// 更新背景模型 /// </summary> /// <param name="image"></param> public void Update(Image < TColor, Byte > image) { bgModel.Update(image); } /// <summary> /// 计算统计数据 /// </summary> public void CalcStatData() { bgModel.CalcStatData(); } /// <summary> /// 设置或者获取当前帧 /// </summary> public Image < TColor, Byte > CurrentFrame { get { return bgModel.CurrentFrame; } set { bgModel.CurrentFrame = value; } } /// <summary> /// 获取背景 /// </summary> public Image < Gray, Byte > BackgroundMask { get { return bgModel.BackgroundMask; } } /// <summary> /// 获取前景 /// </summary> public Image < Gray, Byte > ForegroundMask { get { return bgModel.ForegroundMask; } } /// <summary> /// 释放资源 /// </summary> public void Dispose() { if (bgModel != null ) bgModel.Dispose(); } } /// <summary> /// 背景模型类型 /// </summary> public enum BackgroundStatModelType { FrameDiff, // 帧差 AccAvg, // 平均背景 RunningAvg, // 均值漂移 MultiplyAcc, // 计算协方差 SquareAcc // 计算方差 } }
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
// (1)创建对象 if (rbMog.Checked) { if (fgDetector != null ) { fgDetector.Dispose(); fgDetector = null ; } fgDetector = new FGDetector < Bgr > (FORGROUND_DETECTOR_TYPE.FGD); } else if (rbFgd.Checked) { if (fgDetector != null ) { fgDetector.Dispose(); fgDetector = null ; } fgDetector = new FGDetector < Bgr > (FORGROUND_DETECTOR_TYPE.MOG); } // 背景建模及前景检测 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)); if (param.ForegroundDetectType == ForegroundDetectType.Fgd || param.ForegroundDetectType == ForegroundDetectType.Mog) { if (fgDetector != null && (isBgModeling || isFgDetecting)) { // 背景建模 fgDetector.Update(image); backgroundModelFrameCount ++ ; pbBackgroundModel.Image = fgDetector.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) { pbBackgroundModel.Image = fgDetector.ForgroundMask.Bitmap; } } } // 更新视频图像 pbVideo.Image = image.Bitmap; } // （3）释放资源 if (fgDetector != null ) { try { fgDetector.Dispose(); } catch { } }
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，我们可以对前景图像进行开运算及闭运算，然后再丢弃比较小的轮廓。
本文的代码
本文代码
using
System;
using
System.Collections.Generic;
using
System.ComponentModel;
using
System.Data;
using
System.Drawing;
using
System.Linq;
using
System.Text;
using
System.Windows.Forms;
using
System.Diagnostics;
using
System.Runtime.InteropServices;
using
System.Threading;
using
Emgu.CV;
using
Emgu.CV.CvEnum;
using
Emgu.CV.Structure;
using
Emgu.CV.UI;
using
Emgu.CV.VideoSurveillance;
namespace
ImageProcessLearn
{
public
partial
class
FormForegroundDetect : Form
{
//
成员变量
Capture capture
=
null
;
//
视频捕获对象
Thread captureThread
=
null
;
//
视频捕获线程
private
bool
isVideoCapturing
=
true
;
//
是否正在捕获视频
private
bool
isBackgroundModeling
=
false
;
//
是否正在背景建模
private
int
backgroundModelFrameCount
=
0
;
//
已经建模的视频帧数
private
bool
isForegroundDetecting
=
false
;
//
是否正在进行前景检测
private
object
lockObject
=
new
object
();
//
用于锁定的对象
//
各种前景检测方法对应的对象
BGCodeBookModel
<
Bgr
>
bgCodeBookModel
=
null
;
//
编码本前景检测
private
const
int
CodeBookClearPeriod
=
40
;
//
编码本的清理周期，更新这么多次背景之后，清理掉很少使用的陈旧条目
private
const
int
CodeBookStaleThresh
=
20
;
//
在清理编码本时，使用的阀值（stale大于该阀值的条目将被删除）
FGDetector
<
Bgr
>
fgDetector
=
null
;
//
Mog或者Fgd检测
BackgroundStatModelFrameDiff
<
Bgr
>
bgModelFrameDiff
=
null
;
//
帧差
BackgroundStatModelAccAvg
<
Bgr
>
bgModelAccAvg
=
null
;
//
平均背景
BackgroundStatModelRunningAvg
<
Bgr
>
bgModelRunningAvg
=
null
;
//
均值漂移
BackgroundStatModelSquareAcc
<
Bgr
>
bgModelSquareAcc
=
null
;
//
标准方差
BackgroundStatModelMultiplyAcc
<
Bgr
>
bgModelMultiplyAcc
=
null
;
//
标准协方差
public
FormForegroundDetect()
{
InitializeComponent();
}
//
窗体加载时
private
void
FormForegroundDetect_Load(
object
sender, EventArgs e)
{
//
设置Tooltip
toolTip.Active
=
true
;
toolTip.SetToolTip(rbMog,
"
高斯混合模型(Mixture Of Gauss)
"
);
toolTip.SetToolTip(rbFgd,
"
复杂背景下的前景物体检测(Foreground object detection from videos containing complex background)
"
);
toolTip.SetToolTip(txtMaxBackgroundModelFrameCount,
"
在背景建模时，使用的最大帧数，超出该值之后，将自动停止背景建模。\r\n对于帧差，总是只捕捉当前帧作为背景。\r\n如果设为零，背景检测将不会自动停止。
"
);
//
打开摄像头视频捕获线程
capture
=
new
Capture(
0
);
captureThread
=
new
Thread(
new
ParameterizedThreadStart(CaptureWithEmguCv));
captureThread.Start(
null
);
}
//
窗体关闭前
private
void
FormForegroundDetect_FormClosing(
object
sender, FormClosingEventArgs e)
{
//
终止视频捕获
isVideoCapturing
=
false
;
if
(captureThread
!=
null
)
captureThread.Abort();
if
(capture
!=
null
)
capture.Dispose();
//
释放对象
if
(bgCodeBookModel
!=
null
)
{
try
{
bgCodeBookModel.Dispose();
}
catch
{ }
}
if
(fgDetector
!=
null
)
{
try
{
fgDetector.Dispose();
}
catch
{ }
}
if
(bgModelFrameDiff
!=
null
)
bgModelFrameDiff.Dispose();
if
(bgModelAccAvg
!=
null
)
bgModelAccAvg.Dispose();
if
(bgModelRunningAvg
!=
null
)
bgModelRunningAvg.Dispose();
if
(bgModelSquareAcc
!=
null
)
bgModelSquareAcc.Dispose();
if
(bgModelMultiplyAcc
!=
null
)
bgModelMultiplyAcc.Dispose();
}
//
EmguCv视频捕获
private
void
CaptureWithEmguCv(
object
objParam)
{
if
(capture
==
null
)
return
;
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
&&
(isBgModeling
||
isFgDetecting))
{
//
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
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;
}
}
}
//
fgd or mog
else
if
(param.ForegroundDetectType
==
ForegroundDetectType.Fgd
||
param.ForegroundDetectType
==
ForegroundDetectType.Mog)
{
if
(fgDetector
!=
null
&&
(isBgModeling
||
isFgDetecting))
{
//
背景建模
fgDetector.Update(image);
backgroundModelFrameCount
++
;
pbBackgroundModel.Image
=
fgDetector.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)
{
pbBackgroundModel.Image
=
fgDetector.ForgroundMask.Bitmap;
}
}
}
//
帧差
else
if
(param.ForegroundDetectType
==
ForegroundDetectType.FrameDiff)
{
if
(bgModelFrameDiff
!=
null
)
{
//
背景建模
if
(isBgModeling)
{
bgModelFrameDiff.Update(image);
backgroundModelFrameCount
++
;
this
.Invoke(
new
NoParamAndReturnDelegate(StopBackgroundModel));
//
对于帧差，只需要捕获当前帧作为背景即可
}
//
前景检测
if
(isFgDetecting)
{
bgModelFrameDiff.Threshold
=
param.Threshold;
bgModelFrameDiff.CurrentFrame
=
image;
pbBackgroundModel.Image
=
bgModelFrameDiff.ForegroundMask.Bitmap;
}
}
}
//
平均背景
else
if
(param.ForegroundDetectType
==
ForegroundDetectType.AccAvg)
{
if
(bgModelAccAvg
!=
null
)
{
//
背景建模
if
(isBgModeling)
{
bgModelAccAvg.Update(image);
backgroundModelFrameCount
++
;
//
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)
{
bgModelAccAvg.CurrentFrame
=
image;
pbBackgroundModel.Image
=
bgModelAccAvg.ForegroundMask.Bitmap;
}
}
}
//
均值漂移
else
if
(param.ForegroundDetectType
==
ForegroundDetectType.RunningAvg)
{
if
(bgModelRunningAvg
!=
null
)
{
//
背景建模
if
(isBgModeling)
{
bgModelRunningAvg.Update(image);
backgroundModelFrameCount
++
;
//
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)
{
bgModelRunningAvg.CurrentFrame
=
image;
pbBackgroundModel.Image
=
bgModelRunningAvg.ForegroundMask.Bitmap;
}
}
}
//
计算方差
else
if
(param.ForegroundDetectType
==
ForegroundDetectType.SquareAcc)
{
if
(bgModelSquareAcc
!=
null
)
{
//
背景建模
if
(isBgModeling)
{
bgModelSquareAcc.Update(image);
backgroundModelFrameCount
++
;
//
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)
{
bgModelSquareAcc.CurrentFrame
=
image;
pbBackgroundModel.Image
=
bgModelSquareAcc.ForegroundMask.Bitmap;
}
}
}
//
协方差
else
if
(param.ForegroundDetectType
==
ForegroundDetectType.MultiplyAcc)
{
if
(bgModelMultiplyAcc
!=
null
)
{
//
背景建模
if
(isBgModeling)
{
bgModelMultiplyAcc.Update(image);
backgroundModelFrameCount
++
;
//
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)
{
bgModelMultiplyAcc.CurrentFrame
=
image;
pbBackgroundModel.Image
=
bgModelMultiplyAcc.ForegroundMask.Bitmap;
}
}
}
//
更新视频图像
pbVideo.Image
=
image.Bitmap;
}
}
//
用于在工作线程中更新结果的委托及方法
private
delegate
void
AddResultDelegate(
string
result);
private
void
AddResultMethod(
string
result)
{
//
txtResult.Text += result;
}
//
用于在工作线程中获取设置参数的委托及方法
private
delegate
SettingParam GetSettingParamDelegate();
private
SettingParam GetSettingParam()
{
ForegroundDetectType type
=
ForegroundDetectType.FrameDiff;
if
(rbFrameDiff.Checked)
type
=
ForegroundDetectType.FrameDiff;
else
if
(rbAccAvg.Checked)
type
=
ForegroundDetectType.AccAvg;
else
if
(rbRunningAvg.Checked)
type
=
ForegroundDetectType.RunningAvg;
else
if
(rbMultiplyAcc.Checked)
type
=
ForegroundDetectType.MultiplyAcc;
else
if
(rbSquareAcc.Checked)
type
=
ForegroundDetectType.SquareAcc;
else
if
(rbCodeBook.Checked)
type
=
ForegroundDetectType.CodeBook;
else
if
(rbMog.Checked)
type
=
ForegroundDetectType.Mog;
else
type
=
ForegroundDetectType.Fgd;
int
maxFrameCount
=
0
;
int
.TryParse(txtMaxBackgroundModelFrameCount.Text,
out
maxFrameCount);
double
threshold
=
15d;
double
.TryParse(txtThreshold.Text,
out
threshold);
if
(threshold
<=
0
)
threshold
=
15d;
return
new
SettingParam(type, maxFrameCount, threshold);
}
//
没有参数及返回值的委托
private
delegate
void
NoParamAndReturnDelegate();
//
开始背景建模
private
void
btnStartBackgroundModel_Click(
object
sender, EventArgs e)
{
if
(rbCodeBook.Checked)
{
if
(bgCodeBookModel
!=
null
)
{
bgCodeBookModel.Dispose();
bgCodeBookModel
=
null
;
}
bgCodeBookModel
=
new
BGCodeBookModel
<
Bgr
>
();
}
else
if
(rbMog.Checked)
{
if
(fgDetector
!=
null
)
{
fgDetector.Dispose();
fgDetector
=
null
;
}
fgDetector
=
new
FGDetector
<
Bgr
>
(FORGROUND_DETECTOR_TYPE.FGD);
}
else
if
(rbFgd.Checked)
{
if
(fgDetector
!=
null
)
{
fgDetector.Dispose();
fgDetector
=
null
;
}
fgDetector
=
new
FGDetector
<
Bgr
>
(FORGROUND_DETECTOR_TYPE.MOG);
}
else
if
(rbFrameDiff.Checked)
{
if
(bgModelFrameDiff
!=
null
)
{
bgModelFrameDiff.Dispose();
bgModelFrameDiff
=
null
;
}
bgModelFrameDiff
=
new
BackgroundStatModelFrameDiff
<
Bgr
>
();
}
else
if
(rbAccAvg.Checked)
{
if
(bgModelAccAvg
!=
null
)
{
bgModelAccAvg.Dispose();
bgModelAccAvg
=
null
;
}
bgModelAccAvg
=
new
BackgroundStatModelAccAvg
<
Bgr
>
();
}
else
if
(rbRunningAvg.Checked)
{
if
(bgModelRunningAvg
!=
null
)
{
bgModelRunningAvg.Dispose();
bgModelRunningAvg
=
null
;
}
bgModelRunningAvg
=
new
BackgroundStatModelRunningAvg
<
Bgr
>
();
}
else
if
(rbSquareAcc.Checked)
{
if
(bgModelSquareAcc
!=
null
)
{
bgModelSquareAcc.Dispose();
bgModelSquareAcc
=
null
;
}
bgModelSquareAcc
=
new
BackgroundStatModelSquareAcc
<
Bgr
>
();
}
else
if
(rbMultiplyAcc.Checked)
{
if
(bgModelMultiplyAcc
!=
null
)
{
bgModelMultiplyAcc.Dispose();
bgModelMultiplyAcc
=
null
;
}
bgModelMultiplyAcc
=
new
BackgroundStatModelMultiplyAcc
<
Bgr
>
();
}
backgroundModelFrameCount
=
0
;
isBackgroundModeling
=
true
;
btnStartBackgroundModel.Enabled
=
false
;
btnStopBackgroundModel.Enabled
=
true
;
btnStartForegroundDetect.Enabled
=
false
;
btnStopForegroundDetect.Enabled
=
false
;
}
//
停止背景建模
private
void
btnStopBackgroundModel_Click(
object
sender, EventArgs e)
{
StopBackgroundModel();
}
//
停止背景建模
private
void
StopBackgroundModel()
{
lock
(lockObject)
{
isBackgroundModeling
=
false
;
}
btnStartBackgroundModel.Enabled
=
true
;
btnStopBackgroundModel.Enabled
=
false
;
btnStartForegroundDetect.Enabled
=
true
;
btnStopForegroundDetect.Enabled
=
false
;
}
//
开始前景检测
private
void
btnStartForegroundDetect_Click(
object
sender, EventArgs e)
{
isForegroundDetecting
=
true
;
btnStartBackgroundModel.Enabled
=
false
;
btnStopBackgroundModel.Enabled
=
false
;
btnStartForegroundDetect.Enabled
=
false
;
btnStopForegroundDetect.Enabled
=
true
;
}
//
停止前景检测
private
void
btnStopForegroundDetect_Click(
object
sender, EventArgs e)
{
lock
(lockObject)
{
isForegroundDetecting
=
false
;
}
btnStartBackgroundModel.Enabled
=
true
;
btnStopBackgroundModel.Enabled
=
false
;
btnStartForegroundDetect.Enabled
=
true
;
btnStopForegroundDetect.Enabled
=
false
;
}
}
//
前景检测方法枚举
public
enum
ForegroundDetectType
{
FrameDiff,
AccAvg,
RunningAvg,
MultiplyAcc,
SquareAcc,
CodeBook,
Mog,
Fgd
}
//
设置参数
public
struct
SettingParam
{
public
ForegroundDetectType ForegroundDetectType;
public
int
MaxBackgroundModelFrameCount;
public
double
Threshold;
public
SettingParam(ForegroundDetectType foregroundDetectType,
int
maxBackgroundModelFrameCount,
double
threshold)
{
ForegroundDetectType
=
foregroundDetectType;
MaxBackgroundModelFrameCount
=
maxBackgroundModelFrameCount;
Threshold
=
threshold;
}
}
}
另外，细心的读者发现我忘记贴OpenCvInvoke类的实现代码了，这里补上。多谢指正。
OpenCvInvoke实现代码
using
System;
using
System.Collections.Generic;
using
System.Linq;
using
System.Text;
using
System.Drawing;
using
System.Runtime.InteropServices;
using
Emgu.CV.Structure;
using
Emgu.CV.CvEnum;
namespace
ImageProcessLearn
{
///
<summary>
///
声明一些没有包含在EmguCv中的OpenCv函数
///
</summary>
public
static
class
OpenCvInvoke
{
//
自适应动态背景检测
[DllImport(
"
cvaux200.dll
"
)]
public
static
extern
void
cvChangeDetection(IntPtr prev_frame, IntPtr curr_frame, IntPtr change_mask);
//
均值漂移分割
[DllImport(
"
cv200.dll
"
)]
public
static
extern
void
cvPyrMeanShiftFiltering(IntPtr src, IntPtr dst,
double
spatialRadius,
double
colorRadius,
int
max_level, MCvTermCriteria termcrit);
//
开始查找轮廓
[DllImport(
"
cv200.dll
"
)]
public
static
extern
IntPtr cvStartFindContours(IntPtr image, IntPtr storage,
int
header_size, RETR_TYPE mode, CHAIN_APPROX_METHOD method, Point offset);
//
查找下一个轮廓
[DllImport(
"
cv200.dll
"
)]
public
static
extern
IntPtr cvFindNextContour(IntPtr scanner);
//
用新轮廓替换scanner指向的当前轮廓
[DllImport(
"
cv200.dll
"
)]
public
static
extern
void
cvSubstituteContour(IntPtr scanner, IntPtr new_contour);
//
结束轮廓查找
[DllImport(
"
cv200.dll
"
)]
public
static
extern
IntPtr cvEndFindContour(
ref
IntPtr scanner);
}
}
后记
值得注意的是，本文提到的OpenCv函数目前属于CvAux系列，以后也许会加入到正式的图像处理Cv系列，也许以后会消失。最重要的是它们还没有正式的文档。
其实关于背景模型的方法还有很多，比如《Video-object segmentation using multi-sprite background subtraction》可以在摄像机运动的情况下建立背景，《Nonparametric background generation》利用mean-shift算法处理动态的背景模型，如果我的时间和能力允许，也许会去尝试实现它们。另外，《Wallflower: Principles and practice of background maintenance》比较了各种背景建模方式的差异，我希望能够尝试翻译出来。
感谢您耐心看完本文，希望对您有所帮助。
673
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
