计算机视觉
图像处理

OpenCV基于混合高斯模型GMM的运动目标检测

Opencv的video module中包含了几种较为常用的背景减除方法,其中混合高斯模型(Gaussian of Mixture Models, GMM)方法效果较好。

常用的目标检测方法:1)帧间差分;2)背景减除;

其中背景减除方法的关键在于建立一个鲁棒的背景模型(背景图像),常用的建立背景模型方法有:

1)均值法;2)中值法;3)滑动平均滤波法;4)单高斯;5)混合高斯模型;6)codebook,等。

混合高斯模型的原理:

每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于,同一个像素位置处可以呈现多个模态的像素值变化(例如水波纹,晃动的叶子等)。

GMM的出处:Adaptive background mixture models for real-time tracking (1999年由Chris Stau er提出)

OpenCV版本:2.4.2

下面的代码实现了基于GMM的运动目标检测,同时能够消除运动阴影; (基于文献:Improved adaptive Gausian mixture model for background subtraction)

#include 
#include 

#include <opencv2/opencv.hpp>


int main(int argc, char** argv)
{
	std::string videoFile = "../test.avi";

	cv::VideoCapture capture;
	capture.open(videoFile);

	if (!capture.isOpened())
	{
		std::cout<<"read video failure"<<std::endl;
		return -1;
	}


	cv::BackgroundSubtractorMOG2 mog;

	cv::Mat foreground;
	cv::Mat background;

	cv::Mat frame;
	long frameNo = 0;
	while (capture.read(frame))
	{
		++frameNo;

		std::cout<<frameNo<<std::endl; // 运动前景检测,并更新背景 mog(frame, foreground, 0.001); // 腐蚀 cv::erode(foreground, foreground, cv::Mat()); // 膨胀 cv::dilate(foreground, foreground, cv::Mat()); mog.getBackgroundImage(background); // 返回当前背景图像 cv::imshow("video", foreground); cv::imshow("background", background); if (cv::waitKey(25) > 0)
		{
			break;
		}
	}
	


	return 0;
}

实验结果:

当前帧图像

当前背景图像

前景图像

经过腐蚀和膨胀处理后的前景图像

(白色为运动目标区域;灰色为阴影区域;黑色为背景)

转载注明来源:CV视觉网 » OpenCV基于混合高斯模型GMM的运动目标检测

分享到:更多 ()
扫描二维码,给作者 打赏
pay_weixinpay_weixin

请选择你看完该文章的感受:

0不错 0超赞 0无聊 0扯淡 0不解 0路过

评论 20

评论前必须登录!