基于背景建模的红外运动目标检测（二）

前边讲到前景检测后形态学处理，滤除大部分孤立噪点，并且能够将距离相近，属于同一目标的区域连接在一起。
在进行形态学处理后，二值图上分布着为数不多的亮点连通区域。在我们的思维里，每个连通区域隶属于同一个目标，但是计算机并不知道，在计算机眼里，它依然是一幅图像，是一个规则的二维矩阵，是分布着黑点亮点的二维矩阵。

连通区域的标记

将每团亮点标记为一个目标，暂时有两种方式可以考虑：

opencv查找轮廓函数

void findContours( InputOutputArray image, OutputArrayOfArrays contours,
                              OutputArray hierarchy, int mode,
                              int method, Point offset=Point());

连通域标记

连通域标记指的是将符合某种空间关系的像素，归属在同一个目标。常见连通域关系有四邻和八邻连通区域标记。具体空间关系如下，连通区域识别代码网上很多，不再列举。

连通区域合并

笔者采用opencv的查找轮廓函数，毕竟一些成熟的算法，必然有它恒久存在的原因。
在进行连通域标记之后，会存在这样的情形：一个目标被标记为多个连通区域。
试着分析一下原因：前景检测直接得到离散点的二值图像，目标只是分布比较密集的区域，但并不是彻底的连接成为一体。
形态学操作腐蚀、膨胀，也会影响这些离散点的连通关系。一味的增大膨胀核大小可以减少这个问题，但是会存在目标区域不精确、噪点被多重放大的风险。因此，在进行区域标记后，增加区域合并功能。

---

合并区域思考两个问题：

1. 哪种情况需要合并？
2. 怎样合并？

第一个问题，在区域标记后，我们所具有的信息只是单纯的二值点，和目标的特征分离。因此合并条件只需考虑这些被标记的连通区域的空间关系：距离相近、相交、包含（包含是特殊的相交关系）。
关于矩形相交关系，笔者分享一种判断方式：

bool CPOS::isRectOverlap(cv::Rect& rec1, cv::Rect& rec2)
{
	int rec1_left, rec1_right, rec1_top, rec1_bottom;
	int rec2_left, rec2_right, rec2_top, rec2_bottom;
	rec1_left = rec1.x;
	rec1_right = rec1.x + rec1.width;
	rec1_top = rec1.y;
	rec1_bottom = rec1.y + rec1.height;
	rec2_left = rec2.x;
	rec2_right = rec2.x + rec2.width;
	rec2_top = rec2.y;
	rec2_bottom = rec2.y + rec2.height;
	return !(rec1_left > rec2_right || rec1_top > rec2_bottom || rec2_left > rec1_right || rec2_top > rec1_bottom);
}

至于如何合并，两个矩形求并集就可以。具体代码暂时不上传，因为在工程中用。如果有需要可以小窗口我。