GMM算法基本原理(OPENCV3展示实例)

opencv3展示实例

需要使用摄像头

#include"opencv2/opencv.hpp"
#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include"opencv2/imgproc/imgproc.hpp"
#include"opencv2/video/background_segm.hpp"
#include<iostream>
using namespace cv;
using namespace std;

int main()
{
	VideoCapture capture(0);
	Ptr<BackgroundSubtractorMOG2> bg_model = createBackgroundSubtractorMOG2();
	Mat image, fgimage, fgmask;

	while (1)
	{
		capture >> image;	//get new frame from camera
		if (!image.data)
		{
			cerr << "picture error!";
			return -1;
		}
		if (fgimage.empty())
			fgimage.create(image.size(), image.type());
		bg_model->apply(image, fgmask, -1);
		fgimage = Scalar::all(0);
		image.copyTo(fgimage, fgmask);
		Mat bgimage;
		bg_model->getBackgroundImage(bgimage);

		imshow("image", image);
		imshow("fgimage", fgimage);
		imshow("fgmask", fgmask);
		if (!bgimage.empty())
			imshow("bgimage", bgimage);

		waitKey(30);
	}
	return 0;
}

具体的算法实现函数在
opencv\sources\modules\video\src\bgfg_gaussmix2.cpp
可以对照算法原理查看
以下算法原理参考混合高斯模型算法原理
个人认为这篇文章将的比较通俗易懂，公式也比较简洁，比较适合入门理解。
文中介绍的是基础部分的内容，通常现在使用的GMM都带有一些后续改进，比如阴影检测等。

算法原理

单高斯背景模型

​ 将图像中每一个像素点的颜色值看成一个随机过程，并假设其出现概率服从高斯分布。对每一个像素位置建立一个高斯模型，模型中保存其均值的方差。比如对于一个像素点$(x,y)$ ，可设其均值：$\mu (x,y)$ ，方差：${\sigma }^2(x,y)$，标准差$\sigma (x,y)$。

​ 同时由于视频序列的输入，模型参数会不断更新，对应不同时刻参数有不同的值，可将模型参数表示为三个变量$(x,y,t)$的函数。均值：$\mu (x,y,t)$ ，方差：${\sigma }^2(x,y,t)$，标准差:$\sigma (x,y,t)$。

​ 单高斯模型运动检测的基本过程：

​ 1、 模型初始化

$$\{\begin{array}{l}\mu (x,y,0)=I(x,y,0)\\ {\sigma }^2(x,y,0)=std\_ini{t}^2\\ \sigma (x,y,0)=std\_init\end{array}$$

​ 其中$I(x,$