OpenCV视频分析背景提取与前景提取
共 2279字,需浏览 5分钟
·
2021-12-14 21:00
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
OpenCV中支持的两种背景提取算法都是基于模型密度评估,然后在像素级对图像进行前景与背景分类的方法,它们具有相同的假设前提 – 各个像素之间是没有相关性的,跟它们算法思想不同的方法主要是基于马尔可夫随机场理论,认为每个像素跟周围的像素是有相关性关系,但是基于马尔可夫随机场的方法速度与执行效率都堪忧!所以OpenCV中没有实现。
基于像素分类的背景分析方法
自适应的背景提取(无参数化/ KNN)
基于GMM的背景提取
基于模糊积分的背景提取
这些背景建模的方法一般都可以分为如下三步完成
背景初始化阶段(背景建模提取)
前景检测阶段(视频分析,前景对象检测)
背景维护与更新(视频分析过程中)
视频分析中,工作方式如下:
实现对前景与背景像素级别的建模,最常见的是RGB像素的概率密度分布,当对象没有变化的时候,通过连续的N帧进行建模生成背景模型
高斯混合模型(GMM)方式正好满足这种方式,对高斯混合模型中的每个componet进行建模,计算表达如下:
基于GMM的核密度估算需要考虑初始输入componet数目参数、OpenCV中实现的另外一种方法是基于简单的核密度估算方法,然后通过KNN对输出的每个像素进行前景与背景分类,实现了更加快速的背景分析。非参数话的模型更新
上述两种方法都是基于像素分类,采用非此即彼的方法,没有考虑到像素之间相似度的关联性,在实际应用场景中有些情况会带来问题。所以还有一种相似度进行模糊积分决策方法,它的算法流程如下:
其中颜色相似性度量如下:
OpenCV在release模块中相关API
Ptr cv::createBackgroundSubtractorMOG2(
int history = 500,
double varThreshold = 16,
bool detectShadows = true
)
参数解释
History表示的是历史帧数多少,这个跟作者论文提到的采样有关计算模型建立有关系
varThreshold表示马氏距离的阈值
detectShadows是否检测阴影
演示代码
import cv2 as cv
capture = cv.VideoCapture("D:/images/video/video_004.avi")
mog = cv.createBackgroundSubtractorMOG2()
se = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
while True:
ret, image = capture.read()
if ret is True:
fgmask = mog.apply(image)
ret, binary = cv.threshold(fgmask, 220, 255, cv.THRESH_BINARY)
binary = cv.morphologyEx(binary, cv.MORPH_OPEN, se)
bgimage = mog.getBackgroundImage()
cv.imshow("bgimage", bgimage)
cv.imshow("frame", image)
cv.imshow("fgmask", binary)
c = cv.waitKey(50)
if c == 27:
break
else:
break
cv.destroyAllWindows()
运行结果
画面解释:最左侧是输入视频的一帧,有一只小兔子在跑,中间是背景建模,右侧是前景检测,生成的移动对象mask,可见小兔子作为移动目标被成功捕获!
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~