詳解opencv去除背景算法的方法比較

更新時間：2022年08月08日 10:11:21 作者：Stark_Jarvis

本文主要介紹了opencv去除背景算法的方法比較，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

背景減除法

（以下文字原文來源于https://docs.opencv.org/3.4.7/d8/d38/tutorial_bgsegm_bg_subtraction.html）
背景減除法是很多基于視覺的應用的一個主要預處理步驟。例如使用一個靜止的攝像頭拍攝進出房間的人數(shù)，或是交通攝像頭捕獲車輛信息等。在以上的例子中，首先你需要單獨把人和交通工具提取出來。從技術(shù)上來說，你需要從靜止的背景中提取移動前景目標。

通常情況下，我們的背景往往是未知的，因此需要通過一定的方法得到視頻背景，然后用新的圖像減去背景圖片即可。

在opencv中提供了幾種背景減除的方法：

（1）BackgroundSubtractorMOG

這是基于高斯混合模型的算法，混合模型表示了觀測數(shù)據(jù)在總體中的概率分布，高斯分布即正態(tài)分布，正態(tài)分布如下圖：
（圖片來源于網(wǎng)絡(luò)）

正態(tài)分布

而高斯混合模型就是使用高斯分布的混合模型，由于高斯分布具有良好的數(shù)學性質(zhì)和計算性能，它的概率分布遵循高斯分布。

cv2.bgsegm.createBackgroundSubtractorMOG()使用時可以不用傳入?yún)?shù)

import cv2

cap = cv2.VideoCapture(0)
fgbg = cv2.bgsegm.createBackgroundSubtractorMOG()
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while cap.isOpened():
    ret, frame = cap.read()
    
    # 用于計算前景掩模
    fgmask = fgbg.apply(frame)
    _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY)
    binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se)
    res = cv2.bitwise_and(frame, frame, mask=binary)
    cv2.imshow("res", res)

    if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

運行結(jié)果：

（2）BackgroundSubtractorMOG2

它是改進的高斯混合模型，為各個參數(shù)設(shè)置了一些合適的值。

import cv2

cap = cv2.VideoCapture(0)
fgbg = cv2.createBackgroundSubtractorMOG2()
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while cap.isOpened():
    ret, frame = cap.read()
    fgmask = fgbg.apply(frame)
    _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY)
    binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se)
    backImage = fgbg.getBackgroundImage()
    res = cv2.bitwise_and(frame, frame, mask=binary)
    cv2.imshow("backImage", backImage)
    cv2.imshow("res", res)
    
    if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

運行結(jié)果：

（3）BackgroundSubtractorGMG

GMG：Geometric Multigid，幾何多重網(wǎng)格。它默認使用前120幀圖像進行建模，使用貝葉斯推斷方法判斷可能的前景物體。

import cv2

cap = cv2.VideoCapture(0)
fgbg = cv2.bgsegm.createBackgroundSubtractorGMG()
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while cap.isOpened():
    ret, frame = cap.read()
    fgmask = fgbg.apply(frame)
    _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY)
    binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se)
    res = cv2.bitwise_and(frame, frame, mask=binary)
    cv2.imshow("res", res)
    
    if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

運行結(jié)果：

以上這三種方法對于檢測運動物體行之有效，但如果檢測靜態(tài)物體就不適合了。

幀差法

在可以確定背景時采用幀差法，此方法不僅可以用于動態(tài)目標檢測，也能檢測靜態(tài)目標。
幀差法需要一個變量來檢測當前是第幾幀。即通過后面的幀減去第一幀得到所需前景。

import cv2

cap = cv2.VideoCapture(0)
frameNum = 0

while cap.isOpened():
    ret, frame = cap.read()
    frameNum += 1
    tmp = frame.copy()
    
    if frameNum == 1:
    	bgFrame = cv2.cvtColor(tmp, cv2.COLOR_BGR2GRAY)
    elif frameNum > 1:
    	foreFrame = cv2.cvtColor(tmp, cv2.COLOR_BGR2GRAY)
    	foreFrame = cv2.absdiff(foreFrame, bgFrame)
    	_, thresh = cv2.threshold(foreFrame, 30, 255, cv2.THRESH_BINARY)
    	gaussian = cv2.GaussianBlur(thresh, (3, 3), 0)
    	cv2.imshow('gaussian', foreFrame)

	if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
    break

cap.release()
cv2.destroyAllWindows()

運行結(jié)果：