OpenCV中背景建模方法mog2——Adaptive GMM算法小结

最新推荐文章于 2024-05-27 22:25:22 发布
最新推荐文章于 2024-05-27 22:25:22 发布
阅读量1.8w 收藏 34
点赞数 6
分类专栏： 算法 OpenCV
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u010696366/article/details/41516871
版权

       GMM是网上到处可见且用得最多的背景建模算法，论文上很多相关概率公式，又看了很多博客对于GMM的解释，直到现在还总是觉得很难理解其中的真谛，从各方面整理一下目前自己所理解的内容，如果有理解偏差，欢迎指正。

        Mog2用的是自适应的高斯混合模型（Adaptive GMM，Gaussian Mixture Model），在OpenCV中开源了的几种背景提取算法MOG，MOG2，GMG的测试程序结果中，MOG2确实在前景连续性及运算时间上都脱颖而出，后面会给出比较结果。下面就结合OpenCV2.4.9的mog2源码和源码文档中指出的04年Zoran Zivkovic的三篇论文，简要串一串GMM的理论基础，MOG2的大致原理，在代码实现上的结构及MOG2 API的用法。

背景建模的思想由来

        在监控系统中，拍摄背景通常是变化较少的固定场景。通常我们假定没有入侵物体的静态场景具有一些常规特性，可以用一个统计模型描述。GMM就是用高斯模型，而且是多个高斯模型的加权和混合在一起来模拟背景的特性。这样一旦已知这个背景模型，入侵物体就能通过标出场景图像中不符合这一背景模型的部分来检测到。这一过程被称为背景减除（Backgroundsubtraction）

最低0.47元/天 解锁文章
rabbif
关注
  • 6
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
opencv中BackgroundSubtractorMOG2源码分析与原理讲解
On my way
11-16 3万+
混合高斯分布（GMM）是背景建模中的经典算法，自提出至今已经有了很多围绕它改进和应用的论文。opencv中（2.4.13版本）也引入了该算法及其改进版本。 首先是基本版本的GMM，opencv将其封装为BackgroundSubtractorMOG，有关该版本算法源码解读及相关论文翻译参考点击打开链接 之后是改进版GMM，opencv把它封装为BackgroundSubtractorMOG2算法类，源代码位于opencv\sources\modules\video\src\bgfg_gaussmix2.
GMM模型算法的详细讲解
07-24
详细介绍了GMM模型训练的EM算法，对做说话人识别，理解其模型建立的过程有一定的帮助。
【CV】视频图像背景分割MOG2,KNN,GMG
最新发布
ZSZ_shsf的博客
05-27 634
给定数据后，可以使用期望最大化（Expectation-Maximization，EM）算法来估计GMM的参数，包括每个高斯分布的均值、方差和混合系数。在使用 GaussianMixture 模型时，random_state 参数用于控制初始化高斯混合模型的随机性，包括初始化聚类中心、对数似然函数等，从而控制着模型中的随机数生成过程。当设置了 random_state 参数时，模型将会使用指定的随机种子来初始化，确保每次运行模型时都得到相同的随机初始化结果。P.S.简单补充下高斯混合模型的知识。
Opencv计算机视觉实战(Python版)
01-22
Opencv计算机视觉实战课程旨在帮助大家快速掌握机器视觉领域必备知识点原理及其在Opencv中的使用方法。课程风格通俗易懂，用最接地气的方式来讲解晦涩难懂的知识点。整体设计以项目实战来驱动学习，课程中所有代码均使用Python完成，在实战中首先讲解整体解决方案，接下来通过Debug模式来一步步分析每一行代码的作用及其完成的效果，提供全部课件及项目中所使用代码和数据。
目标追踪-背景差算法
qianbo042311的博客
06-28 1137
mog2 算法 MOG2算法，也是高斯混合模型分离算法，是MOG的改进，算法的重要特征是：为每个像素选择适当数量的高斯分布，可以更好地适应不同场景的照明变化等。高斯分布其实就是正态分布，（Normal distribution）。 1、混合高斯模型： 原理：将图像分为3-5个高斯模型，一个像素点来了，如果该像素点离任何一个高斯模型的距离大于其2倍的标准差，则为前景即运动物体，否则则是背景。 2、code 掌握其原理以后，下面直接用opencv来实现，这个只是应用而已。 #include <iostre
opencv(52) 视频处理之二：背景建模
luyouqi11的博客
07-27 1027
背景建模需要满足一定条件，保证摄像机拍摄位置不变，保证背景是基本不发生变化的。如路口的监控摄像机，只有车流人流等前景部分能发生移动，而马路树木等背景不能发生移动。判断视频中前景和背景的方法主要有两种：帧差法、混合高斯模型。
使用MOG2对运动物体进行检测
u014146044的博客
08-03 1496
本篇内容主要是对运动物体进行检测，通过使用MOG2（高斯混合模型建模）来进行物体运动前背景分离，来检测运动的物体，最后对其进行图像处理，再画出其最小外接矩形，达到对运动物体的分割与检测。具体代码如下： #include<opencv.hpp> #include<imgproc.hpp> #include<highgui.hpp> #include<cstdio> #include<vector> #include<iostream> #
MOG2_OPENCV2.4.9.rar_GMM MOG2_GMM背景减除_OpenCV 背景减除_opencv mog2_re
09-19
在OpenCV库中，有两种广泛使用的背景减除算法：Mixture of Gaussian Models (GMM) 和它的改进版本 MOG2 (Mixture of Gaussian Models 2)。本篇文章将详细阐述这两种算法以及它们在OpenCV 2.4.9版本中的实现。 首先...
GMM.zip_GMM背景建模_opencv 提取前景_opencv前景提取_opencv提取背景_高斯混合模型
09-14
在计算机视觉领域，高斯混合模型（Gaussian Mixture Model, GMM）是一种常见的背景建模方法，尤其在视频监控和运动检测中被广泛应用。OpenCV是一个强大的开源计算机视觉库，它提供了对GMM的支持，使得开发者能够方便...
OpenCV利用背景建模检测运动物体
08-28
主要为大家详细介绍了OpenCV利用背景建模检测运动物体，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
GMM.rar_GMM_GMM opencv_GMM 前景 背景_opencv背景相减_前景背景
09-19
在计算机视觉领域，高斯混合模型（Gaussian Mixture Model, GMM）是一种常用的数据建模方法，尤其在处理图像的前景与背景分离问题时。本文将深入探讨GMM在OpenCV库中的应用，以及如何利用它进行背景减除以提取前景...
MOG.zip_mog opencv_前景背景_混合高斯 背景_高斯混合 opencv
07-14
混合高斯模型（Mixture of Gaussian，简称MOG）是一种在计算机视觉领域广泛使用的背景建模方法，尤其在视频分析中用于识别和提取前景对象。OpenCV是一个强大的开源计算机视觉库，提供了对混合高斯背景建模的支持。...
OpenCV背景建模与光流估计、dnn模块
suic009的博客
01-25 2141
OpenCV背景建模与光流估计、dnn模块
【机器学习】高斯混合模型（GMM）算法及其实现
让算法融入生活，改变生活！
09-16 5171
相关视频可见皮皮学机器学习 高斯混合模型（GMM） 学完了EM算法之后，就情不自禁地想学习一下高斯混合模型了。 高斯混合模型是具有如下形式的概率分布模型。 P(x)=∑k=1KWkg(x∣μk,∑k) P(x)=\sum_{k=1}^KW_kg(x|\mu_k,\sum_k) P(x)=k=1∑K​Wk​g(x∣μk​,k∑​) 现在我们来解释一下上式的参数，K为GMM中成分的个数，也就是说有...
论文精读 && MOG && 埃里克·格里姆森
Flying Bulldog 的博客
12-07 1333
实时分割图像序列中运动区域的一种常见方法包括“背景减法”，即对没有运动对象的图像估计值与当前图像之间的误差进行阈值处理。解决这个问题的多种方法因所使用的背景模型类型和更新模型的程序而异。本文讨论了将每个像素建模为高斯混合，并使用在线近似来更新模型。然后评估自适应混合模型的高斯分布，以确定哪些最有可能由背景过程产生。根据最有效地表示每个像素的高斯分布是否被视为背景模型的一部分，对每个像素进行分类。过去，计算障碍限制了实时视频处理应用的复杂性。
论文精读 && MOG2 && 阴影检测
Flying Bulldog 的博客
12-07 1089
图像序列中运动区域的实时分割是许多视觉系统的基本步骤，包括自动视觉监视、人机界面和低频电信号。一种典型的方法是背景减法（background subtraction）。问题：许多背景模型被引入来处理不同的问题。这些问题的成功解决方案之一是使用Grimson等人[1,2,3]提出的每像素多色背景模型。然而，该方法在开始时学习缓慢，尤其是在繁忙的环境中。此外，它无法区分移动阴影和移动对象。本文提出了一种改进这种自适应背景混合模型的方法。通过重新研究更新方程，我们在不同的阶段使用不同的方程。
Opencv --- 背景消除建模（BSM）
m0_60005621的博客
09-08 644
【代码】Opencv --- 背景消除建模（BSM）
【Opencv】目标追踪——高斯混合模型分离算法(MOG)
weixin_53598445的博客
04-11 7586
文章目录1 环境2 效果3 原理4 代码 1 环境 Python 3.8.8 PyCharm 2021 opencv-python 2 效果 3 原理   视频图像中的目标检测与跟踪，是计算机视觉的基础课题，同时具有广泛的应用价值。视觉目标(单目标)跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。依照目标与摄像头之间的关系可分为两种场景的目标追踪： 静态场景：目标检测相对简单，研究渐趋成熟。 动态场景：相对复杂，当前研究领域的热点。 本文只介绍静态场景的
对于opencv 目前视频背景建模最好的算法是?
05-31
在OpenCV中，目前被认为是最好的视频背景建模算法是基于自适应混合高斯模型（Adaptive Mixture of Gaussians，简称MOG）的背景建模算法。 该算法使用多个高斯分布来建模每个像素的背景，并根据像素灰度值的变化来更新高斯分布的均值和方差。同时，该算法还使用一个自适应机制来动态地调整高斯分布的数量，以适应不同的场景和光照变化。 在OpenCV中，可以使用`cv::BackgroundSubtractorMOG`类来实现基于MOG的视频背景建模。以下是一个示例代码： ```cpp #include <opencv2/opencv.hpp> int main() { cv::VideoCapture cap("test_video.mp4"); cv::Ptr<cv::BackgroundSubtractorMOG> pMOG = cv::createBackgroundSubtractorMOG(); cv::Mat frame, fgMask; while (cap.read(frame)) { pMOG->apply(frame, fgMask); cv::imshow("Foreground Mask", fgMask); cv::imshow("Input Frame", frame); if (cv::waitKey(30) == 'q') { break; } } return 0; } ``` 使用`cv::createBackgroundSubtractorMOG`函数创建一个`cv::BackgroundSubtractorMOG`对象，并在每个视频帧上使用`apply`函数计算前景掩码。可以通过调整构造函数和成员函数的参数来控制算法的性能和结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值